存在问题：直接实现源域和目标域对齐会破坏目标数据的内在结构。但是如果先对目标域数据进行聚类，则可以保留完整的目标数据结构。...

import torchimport torchvision.datasetsfrom mmcv import DataLoaderfrom mmcv.cnn import Linearfrom torch import nndataset = torchvision.datasets.CIFAR10(r"C:\Users\123\Desktop\python4.7\test03\data", t

import torch.optim.optimizerimport torchvision# 准备数据集from torch.utils.tensorboard import SummaryWriterfrom model import *from torch.utils.data import DataLoadertrain_data = torchvision.datasets.CIFAR1

Deep Subdomain Adaptation Network forImage Classification

这篇文章代码的复现貌似需要TPU，因为导入了jax模块，在实验室的电脑上，这个模块的导入始终有问题，再加上没有TPU，我也不会改代码，所以就放弃了这篇文章代码的复现~真希望有人帮我debug，要是有个程序员男朋友就更好了，哈哈哈哈哈~...

【代码】将xml标签文件转成txt标签文件。

找了一篇关于子域自适应的文章，准备在上一篇子域自适应文章的基础上进一步进行深入学习。是一篇来自很呐工业大学的一篇论文《深度加权子域自适应网络》，本文分析的切入点主要是对比两篇文章的不同之处。DSAN在我看来已经是非常成功的一篇论文了，没想到这篇论文只是借用相同的方法做出稍稍的改进就可以在OFFICE31上实现如此大的突破，真的也是让我大吃一惊。不过遗憾的是，没有论文代码，联系通讯作者也没有要到，表

这篇文章代码的复现貌似需要TPU，因为导入了jax模块，在实验室的电脑上，这个模块的导入始终有问题，再加上没有TPU，我也不会改代码，所以就放弃了这篇文章代码的复现~真希望有人帮我debug，要是有个程序员男朋友就更好了，哈哈哈哈哈~...

损失函数:计算实际输出和目标之间的差距为我们更新输出提供一定的依据(反向传播)注：在L1损失下，如果reduction=none，则输入和输出的维度要相同import torchfrom torch import nnfrom torch.nn import L1Loss, MSELossinputs = torch.tensor([1, 2, 3], dtype=torch.float32)ta

'''CNN的实现image-->Conv-->ReLU-->Pooling-->Affine-->ReLU-->Affine-->Softmax-->参数：input_dim----输入数据的维度：（通道，高，长）conv_param----卷积层的超参数（字典）。字典的关键字如下：filter_num---滤波器的数量filter_size---