《Domain Agnostic Learning with Disentangled Representations》代码

F_aF_a

已于 2022-04-06 15:49:56 修改

阅读量532

点赞数

分类专栏： Python # 代码 # 论文文章标签： python

于 2022-04-06 10:24:05 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_37252519/article/details/123982554

版权

Python 同时被 3 个专栏收录

42 篇文章 0 订阅

订阅专栏

18 篇文章 0 订阅

订阅专栏

16 篇文章 3 订阅

订阅专栏

在这里插入图片描述

文章目录

`class_loss` 分类交叉熵损失_论文公式（2）
`ring_loss` Ring-style Normalization_论文公式(8)
`mutual_information`_论文公式(5/6/7)
`confusion_loss` $L_{ent}$ _论文公式(3)
`alignment_loss`
`Reconstruction`重构损失_论文公式(1)
与论文对比

`class_loss` 分类交叉熵损失_论文公式（2）

在这里插入图片描述

`ring_loss` Ring-style Normalization_论文公式(8)

在这里插入图片描述

`mutual_information`_论文公式(5/6/7)

在这里插入图片描述

`confusion_loss` $L_{ent}$ _论文公式(3)

在这里插入图片描述

`alignment_loss`

在这里插入图片描述
FD就是论文中的DI

Specifically, we leverage a domain identifier $D I$ , which takes the disentangled feature ( $f_{di}$ or $f_{ds}$ ) as input and outputs the domain label $l_f$ (source or target).

`Reconstruction`重构损失_论文公式(1)

在这里插入图片描述

与论文对比

论文
在这里插入图片描述

代码流程
在这里插入图片描述

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
《Domain Agnostic Learning with Disentangled Representations》代码

文章目录`class_loss` 分类交叉熵损失_论文公式（2）`ring_loss` Ring-style Normalization_论文公式(8)`mutual_information`_论文公式(5/6/7)`confusion_loss` LentL_{ent}Lent_论文公式(3)`alignment_loss``Reconstruction`重构损失_论文公式(1)class_loss 分类交叉熵损失_论文公式（2）ring_loss Ring-style Normalizatio.
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。