minor update

README.md

@@ -14,12 +14,12 @@ A PyTorch implementation for paper *[Unsupervised Domain Adaptation by Backpropa
 
 ## Note
 
-- `Config()` 为针对特定任务的配置参数。
+- `Config()` 为针对特定任务的配置参数
 - `MNISTmodel()` 完全按照论文中的结构，但是 feature 部分添加了 `Dropout2d()`，实验发现是否添加 `Dropout2d()` 对于最后的性能影响很大。最后实验重现结果高于论文，因为使用了额外的技巧，这里还有值得探究的地方。
 - `SVHNmodel()` 无法理解论文中提出的结构，为自定义结构。最后实验重现结果完美。
 - MNIST-MNISTM: `python mnist_mnistm.py`
 - SVHN-MNIST: `python svhn_mnist.py`
-- Amazon-Webcam: `python office.py` 没有复现成功
+- Amazon-Webcam: `python office.py` 由于预训练网络的问题，无法复现
 
 ## Result
 

experiments/mnist_mnistm.py

@@ -1,8 +1,9 @@
 import os
 import sys
 
+import torch
 sys.path.append('../')
-from models.model import MNISTmodel
+from models.model import MNISTmodel, MNISTmodel_plain
 from core.dann import train_dann
 from utils.utils import get_data_loader, init_model, init_random_seed
 
@@ -13,7 +14,7 @@ class Config(object):
     model_root = os.path.expanduser(os.path.join('~', 'Models', 'pytorch-DANN'))
 
     # params for datasets and data loader
-    batch_size = 128
+    batch_size = 64
 
     # params for source dataset
     src_dataset = "mnist"
@@ -33,6 +34,7 @@ class Config(object):
     eval_step_src = 20
 
     # params for training dann
+    gpu_id = '0'
 
     ## for digit
     num_epochs = 100
@@ -58,6 +60,9 @@ params = Config()
 # init random seed
 init_random_seed(params.manual_seed)
 
+# init device
+device = torch.device("cuda:" + params.gpu_id if torch.cuda.is_available() else "cpu")
+
 # load dataset
 src_data_loader = get_data_loader(params.src_dataset, params.dataset_root, params.batch_size, train=True)
 src_data_loader_eval = get_data_loader(params.src_dataset, params.dataset_root, params.batch_size, train=False)
@@ -65,9 +70,9 @@ tgt_data_loader = get_data_loader(params.tgt_dataset, params.dataset_root, param
 tgt_data_loader_eval = get_data_loader(params.tgt_dataset, params.dataset_root, params.batch_size, train=False)
 
 # load dann model
-dann = init_model(net=MNISTmodel(), restore=None)
+dann = init_model(net=MNISTmodel_plain(), restore=None)
 
 # train dann model
 print("Training dann model")
 if not (dann.restored and params.dann_restore):
-    dann = train_dann(dann, params, src_data_loader, tgt_data_loader, tgt_data_loader_eval)
+    dann = train_dann(dann, params, src_data_loader, tgt_data_loader, tgt_data_loader_eval, device)

experiments/svhn_mnist.py

@@ -6,8 +6,6 @@ import torch
 sys.path.append('../')
 from models.model import SVHNmodel
 from core.dann import train_dann
-from core.pretrain import train_src
-from core.test import test
 from utils.utils import get_data_loader, init_model, init_random_seed
 
 
@@ -57,7 +55,6 @@ class Config(object):
     # params for optimizing models
     lr = 2e-4
 
-
 params = Config()
 
 # init random seed