准备工作
作业十一是域适应（Domain Adaptation），通过训练真实图片得到分类模型，并将其应用到涂鸦图片上进行分类，来获得更高的精准度。作业过程需要助教代码和数据集，关注本公众号，可获得代码和数据集（包括解析代码，文末有方法）。
提交地址
Kaggle：http://www.kaggle.com/competitions/ml2022-spring-hw11，有想讨论沟通的同学可进QQ群：156013866。以下为作业解析。
Simple Baseline (acc >0.44194)
方法：直接运行助教代码。注意在本地或kaggle上运行时候，需要调整相应的文件名称或者路径。代码提交kaggle得到score：0.52368 。
Medium Baseline (acc >0.64950)
方法：增加epoch+ 改变lamb值。epoch从200增加到800，lamb从0.1变为0.7，提升lamb意味着更注重domainclassifier的表现，让source domain和target domain的表现更一致，不过也不能一味的提升，太大会影响labelpredictor的能力，我试验了下发现0.7是一个不错的值。改动后提交kaggle得到socre：0.70924。
Strong Baseline (acc >0.75470)
方法：增加epoch+ 动态调整lamb值。将epoch调整到1000。根据DANN论文，可使用动态调整的lamb值，从0.02动态的调整为1，这样前期可让labelpredictor更准确，后期更注重domainclassifier的表现，我们也使用这种方式。提交kaggle的socre是：0.76310。
epochs = 1000
....
for epoch in range(epochs):
lamb = np.log(1.02 + 1.7*epoch/epochs)
....
我们看下第0，399，999 epoch的训练效果图。在这些epoch，将5000张source和target图片，输入到feature_extractor模型，每张图片的输出是一个512维度的图片，然后利用t-sne方法降维到2维，最后画出source图片的不同类别分布图和source target分布对比度。可以看出，在第0个epoch，图较乱，到第399个epoch，分类已经比较明显，target的分布和source的分布也基本上保持一致，不过边缘仍然比较模糊，最后第999个epoch，分类已经很明显，target和source的分布基本一致了，达到了DANN模型的目的。
Boss Baseline (acc > 0.80394)
方法：利用DANN模型生成伪标签（pseudo-label）。我们借鉴DIRT的两步训练法，第一步用adversarial的方法训练一个模型，这里我们使用strong baseline得到的模型，所以第一步已经完成，第二步是利用第一步产生的模型，对target图片生成伪标签，有了标签，就可以对target做有监督学习，该方法能充分利用模型的潜在价值。在具体的实现环节，为了保证伪标签的可靠性，设计了一个超参数赋值0.95，所产生的伪标签概率高于该值才被使用，另外为保证训练的稳定性，使用了teacher网络，利用teacher网络生成伪标签，teacher网络的初始值也来自strong base模型，在训练过程中，teacher网络更新比较慢，做法是设计了一个超参数赋值0.9，teacher网络的更新中0.9的权重来自于自己，0.1的权重来自于主干网络，代码变动相对之前比较多，可用文末方式获得。提交kaggle的socre是：0.80948，相信通过调整参数能得到更好的效果。
模型被训练了400个epoch，这里画出了第0，199，399epoch的t-sne图。可以看出，第0个epoch和strong baseline最后的效果差不多，这跟我们网络的初始参数来自于strong baseline相呼应，第199个epoch，图形变动较大，source和target有了明显的区分，不过分类仍然清晰，第399个epoch，更进了一步，source和target的分布不同是因为二者来自不同的domain，即使同属一个类，他们的feature也会有所区分。
作业十一答案获得方式：
- 关注微信公众号 “机器学习手艺人”
- 后台回复关键词：202211
文章出处登录后可见！
