一、环境配置（所有方法通用）

1. 基础环境

# 创建独立Python环境（推荐Python 3.7）
conda create -n uda python=3.7
conda activate uda

# 安装PyTorch和核心依赖（需匹配GPU驱动）
pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html
pip install tensorboardx einops scikit-learn

2. 各方法额外依赖

方法	额外依赖	安装命令
DANN	torch-domain-adaptation	pip install git+https://github.com/fungtion/DANN.git
MADA	adalib>=0.3.0	pip install adalib
CAN	apex（混合精度训练）	git clone https://github.com/NVIDIA/apex && cd apex && pip install -v --no-cache-dir .
CDTrans	timm==0.4.12（Transformer库）	pip install timm==0.4.12

---

二、数据集准备

1. 下载标准数据集

# 创建统一数据目录
mkdir -p data/office31 && cd data/office31

# Office-31数据集链接（需手动下载）
wget https://cs.stanford.edu/~jhoffman/domainadapt/_s3/amazon.zip
wget https://cs.stanford.edu/~jhoffman/domainadapt/_s3/webcam.zip
wget https://cs.stanford.edu/~jhoffman/domainadapt/_s3/dslr.zip

# 解压并整理结构（示例）
unzip amazon.zip -d amazon_source && mv amazon_source/amazon/* amazon_source/
unzip webcam.zip -d webcam_target && mv webcam_target/webcam/* webcam_target/

2. 生成数据集索引文件

# 生成文件列表（示例：CAN/CDTrans需要）
find ./amazon_source/images -name "*.jpg" > amazon_list.txt
find ./webcam_target/images -name "*.jpg" > webcam_list.txt

---

三、方法复现步骤

1. DANN复现（Amazon → Webcam）

cd DANN
python main.py \
  --source_dataset "amazon_source" \
  --target_dataset "webcam_target" \
  --model_path "../models/dann" \
  --data_dir "../data/office31" \
  --epochs 50 \
  --perturb True  # 启用扰动测试

2. MADA复现（Amazon → Webcam）

cd MADA
python main.py \
  --source_dataset "amazon_source" \
  --target_dataset "webcam_target" \
  --model_path "../models/mada" \
  --data_dir "../data/office31" \
  --num_adv_heads 3  # 对抗头数量（论文默认）

3. CAN复现（需Apex加速）

cd CAN
./experiments/scripts/train.sh \
  configs/office31.yml \  # 配置文件路径
  "0" \                   # GPU ID
  "CAN" \                 # 方法名
  "office_amazon2webcam"  # 实验命名

4. CDTrans复现（Transformer方法）

cd CDTrans
# 预训练阶段
bash scripts/pretrain/office31/run_office_amazon.sh deit_base

# UDA训练阶段（需2 GPU）
bash scripts/uda/office31/run_office_amazon.sh deit_base

# 测试（单GPU）
python test.py \
  --config_file 'configs/uda.yml' \
  MODEL.DEVICE_ID "('0')" \
  TEST.WEIGHT "../logs/uda/deit_base/office/dslr2amazon/transformer_best_model.pth" \
  DATASETS.ROOT_TEST_DIR '../data/office31/amazon_list.txt'

---

四、关键参数调试建议

问题现象	解决方案
训练损失震荡	降低学习率（--lr 0.001 → 0.0001）或增大批次（适配GPU显存）
GPU内存不足	减小--batch_size，启用梯度累积（CAN支持--accum_steps 4）
领域差异指标(A-distance)高	增加对抗训练轮次（DANN:--epochs 100）或调节领域分类器权重（MADA:--lambda_adv 0.5）
目标域过拟合	启用早停（--early_stop 10）或增加数据增强（如Mixup）

---

五、结果验证与可视化

1. 定量评估

# 提取所有方法在目标域的准确率（Webcam）
grep "Target Accuracy" models/*/log.txt

# 预期结果参考（Office-31 Amazon→Webcam）：
# DANN    : 62.3±0.8%
# MADA    : 67.1±0.6%
# CAN     : 73.5±0.5%
# CDTrans : 78.2±0.4%

2. 特征可视化（t-SNE）

# DANN示例代码（需在训练时保存特征）
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 加载source/target特征矩阵（shape: [N, 2048]）
feat_src = np.load("models/dann/features_src.npy")
feat_tar = np.load("models/dann/features_tar.npy")

# 降维与可视化
tsne = TSNE(n_components=2)
vis_data = tsne.fit_transform(np.vstack([feat_src, feat_tar]))
plt.scatter(vis_data[:len(feat_src),0], vis_data[:len(feat_src),1], c='r', label='Source')
plt.scatter(vis_data[len(feat_src):,0], vis_data[len(feat_src):,1], c='b', label='Target')
plt.legend(); plt.savefig("domain_align.png")

---

六、跨方法对比建议

1. 速度-精度权衡
   • DANN训练最快（~1h/50epochs），但精度最低
   • CDTrans需约8h（预训练+UDA），但精度最优
2. 领域差异敏感度

   方法	小差异（Webcam→Dslr）	大差异（Amazon→Dslr）
   DANN	85.2%	62.3%
   CDTrans	93.7%	78.2%

---

遵循以上步骤可完整复现论文中报告的实验结果。如需扩展到其他领域（如VisDA），需调整--source_dataset和--target_dataset参数，并确保数据格式与Office-31一致。