记一次不成功的迁移学习《Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervise》

Do We Really Need to Access the Source Data? Source Hypothesis Transfer for
Unsupervised Domain Adaptation

个人感觉这篇论文的思想还是挺好的，出发点很贴近实际，我对于迁移学习的理解很少，但据我所知，之前有关迁移学习的大多模型都是需要用到源域的数据或者特征，而这在现实中其实是不切实际的，因为源域的数据其实也包含着隐私，如果直接将其暴露那势必会遭到隐私泄露，这似乎也是该文章的一个目的。 所以该文章在只包含源域训练好的模型下，固定分类器，利用目标域数据来训练预训练好的特征提取器，使其最后再目标域上也能有良好的性能表现。

于是自己首先复现了这篇论文，发现在MNIST >>>>usps的迁移效果很好，而且是否使用标签平滑也就是代码中’–cls_par’的选择对最终的结果影响并不大，感觉会不会是数据集的原因？

在源码中，整个算法大致也就是三个过程，首先训练源域数据，该过程没有什么特别的

 #加过标签平滑的交叉熵损失  只会在源域的训练中使用到
 classifier_loss = loss.CrossEntropyLabelSmooth(num_classes=args.class_num, epsilon=args.smooth)(outputs_source, labels_source)            
    

而CrossEntropyLabelSmooth损失在loss.py中的形式就是

		log_probs = self.logsoftmax(inputs)
        targets = torch.zeros(log_probs.size()).scatter_(1, targets.unsqueeze(1).cpu(), 1)
        if self.use_gpu: targets = targets.cuda()

        #target表示的就是标签平滑后的损失 epsilon是就标签平滑系数
        targets = (1 - self.epsilon) * targets + self.epsilon / self.num_classes
        if self.size_average:   #如果采用size_average的话会取一个平均值
            loss = (- targets * log_probs).mean(0).sum()
        else:
            loss = (- targets * log_probs).sum(1)
        return loss

在训练好源域得到模型后，随即丢弃源域数据，然后用训练好的网路来初始化目标域对应的网络，最后固定住模型的分类器，只训练F以及B，具体地，在代码中的展现过程就是：

	#读取预训练好的模型参数
    args.modelpath = args.output_dir + '/source_F.pt'   
    netF.load_state_dict(torch.load(args.modelpath))
    args.modelpath = args.output_dir + '/source_B.pt'   
    netB.load_state_dict(torch.load(args.modelpath))
    args.modelpath = args.output_dir + '/source_C.pt'    
    netC.load_state_dict(torch.load(args.modelpath))
    netC.eval()
    for k, v in netC.named_parameters():
        v.requires_grad = False     #此操作是不是代表着固定住分类器，不参与训练

在原文中，目标域的损失函数为：

它在论文中的体现就是：

   		inputs_test = inputs_test.cuda()   #加载测试输入
        features_test = netB(netF(inputs_test)) #提取输入的特征
        outputs_test = netC(features_test)   #得到对应的的输出结果

        if args.cls_par > 0:  #cls_par 表示的应该是整个损失的β值  如果选用该策略就提取伪标签
            pred = mem_label[tar_idx]
            classifier_loss = args.cls_par * nn.CrossEntropyLoss()(outputs_test, pred) #该损失就是分类器交叉熵损失
        else:
            classifier_loss = torch.tensor(0.0).cuda() #如果不取用伪标签 则整个损失的最后一项就是0

        if args.ent: #默认使用信息最大化损失  IM loss
            softmax_out = nn.Softmax(dim=1)(outputs_test)
            entropy_loss = torch.mean(loss.Entropy(softmax_out)) # 该损失应该就是对应着Lent
            if args.gent:
                msoftmax = softmax_out.mean(dim=0) #msoftmax表示的应该是Pk
                entropy_loss -= torch.sum(-msoftmax * torch.log(msoftmax + 1e-5))
                #torch.sum(-msoftmax * torch.log(msoftmax + 1e-5))   该损失应该对应着Ldiv

            im_loss = entropy_loss * args.ent_par  #还有一个乘法系数？
            classifier_loss += im_loss  #感觉这里整个符号是不是取反了？ 跟论文里的损失描述不一致

        optimizer.zero_grad()
        classifier_loss.backward()
        optimizer.step()

如果不选用伪标签策略，其实到这里，整个训练过程也就结束了，就可以得到上面那张图的结果。如果选取了伪标签策略，那就还有一个obtain_label的过程，其中核心代码为：

    all_fea = torch.cat((all_fea, torch.ones(all_fea.size(0), 1)), 1) #
    all_fea = (all_fea.t() / torch.norm(all_fea, p=2, dim=1)).t()
    all_fea = all_fea.float().cpu().numpy()

    print(all_fea.size())

    K = all_output.size(1)
    aff = all_output.float().cpu().numpy()
    initc = aff.transpose().dot(all_fea)
    initc = initc / (1e-8 + aff.sum(axis=0)[:,None])
    dd = cdist(all_fea, initc, 'cosine')  #计算两组输入之间的距离 对应论文中聚类的过程
    pred_label = dd.argmin(axis=1)
    acc = np.sum(pred_label == all_label.float().numpy()) / len(all_fea)

    for round in range(1):     #实验结果证明只用更新一次就可以得到一个较好的结果
        aff = np.eye(K)[pred_label]  #
        initc = aff.transpose().dot(all_fea)
        initc = initc / (1e-8 + aff.sum(axis=0)[:,None])
        dd = cdist(all_fea, initc, 'cosine')
        pred_label = dd.argmin(axis=1)
        acc = np.sum(pred_label == all_label.float().numpy()) / len(all_fea)

    log_str = '这个可是获取label过程中的哦 Accuracy = {:.2f}% -> {:.2f}%'.format(accuracy*100, acc*100)
    args.out_file.write(log_str + 'n')
    args.out_file.flush()
    print(log_str+'n')
    return pred_label.astype('int')   #返回的是预测的伪标签

这一部分代码设计到了很多矩阵计算，只能大致的理解这个过程是一个聚类的过程，但是还是有些地方不是很明白，被维数给弄昏头了，0.0

基于这个，我自己也尝试做了个实验，将同一种数据集变道两个分布，其中一个分布的数据集作为源域进行训练，然后另外一个分布做为目标域按照它的方法来进行迁移，但是最终的结果就很差，Accracy大概也就是随机猜的概率，不知道问题出在了哪里，人没了。

参考文献《Do We Really Need to Access the Source Data? Source Hypothesis Transfer for
Unsupervised Domain Adaptation》
源码地址：https://github.com/tim-learn/SHOT

最后

以上就是傻傻水壶为你收集整理的记一次不成功的迁移学习《Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervise》的全部内容，希望文章能够帮你解决记一次不成功的迁移学习《Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervise》所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。