最大均值差异（Maximum Mean Discrepancy, MMD）复现教程

本文章主要为了复现这个MMD教程中的代码。

pytorch环境安装

下面参考pytorch的官方教程。

这是安装pytorch的先决条件，如果需要用到GPU加速的话还需要下载CUDA驱动。（不过这个小项目就不用啦）

首先需要一个Anaconda做为package manager，为项目建立虚拟环境（因为不同项目对pytorch或者其他包的版本要求不同，不能兼容哦）。

之后要下载项目所需要的pytorch版本。如果项目中有说明具体的pytorch版本，最好下载对应的版本，会省很多问题。在这个MMD项目中没有明确说明版本，那么我们就选择pytorch1.1.0这个版本吧（1.1、1.2、1.4、1.5这几个版本的区别不太清楚，但是小版本改动不大。0.4的版本相比1.x的版本差别会大很多。1.6是最新的版本，一般新版本不太稳定不建议使用）。

然后点击跳转到先前版本

选择Windows->CPU only的命令行，复制下来，你可以直接在终端进入虚拟环境安装，也可以在后面打开VSCode，进项目再安装。（记得打开VPN哦，不然下载速度会很慢）

---

建立MMD项目

好的文件管理可以让你的电脑更加有序，不然项目一多就乱套了。（或者说我有整理洁癖也行哈哈哈哈）目录最好不要用中文，不然有些项目可能会出现乱七八糟的报错，还要改很长时间。打开一个盘建立一个pythonProjects文件夹，以后专门用来放python的项目，然后再创建一个MMD_test文件夹，用来放本次MMD项目的代码。

然后打开VSCode，可能会自动打开上次的项目，那么我们需要点击最上方“文件->新建窗口”，然后选择打开文件夹，选中之前创建的MMD_test。之后在最上方选择“终端->新终端”，在VSCode中打开一个终端，用conda activate 激活到目标虚拟环境中。

现在我们来粗略看一下MMD教程中的代码吧。

1. 第一段代码
   定义了两个函数，具体下面都有说明，看起来像是为之后的测试提供封装好的函数工具，那么我们就新建一个.py文件，把这段代码复制进去，命名为mmd_tool.py。

import torch

def guassian_kernel(source, target, kernel_mul=2.0, kernel_num=5, fix_sigma=None):
    '''
    将源域数据和目标域数据转化为核矩阵，即上文中的K
    Params: 
	    source: 源域数据（n * len(x))
	    target: 目标域数据（m * len(y))
	    kernel_mul: 
	    kernel_num: 取不同高斯核的数量
	    fix_sigma: 不同高斯核的sigma值
	Return:
		sum(kernel_val): 多个核矩阵之和
    '''
    n_samples = int(source.size()[0])+int(target.size()[0])# 求矩阵的行数，一般source和target的尺度是一样的，这样便于计算
    total = torch.cat([source, target], dim=0)#将source,target按列方向合并
    #将total复制（n+m）份
    total0 = total.unsqueeze(0).expand(int(total.size(0)), int(total.size(0)), int(total.size(