L2T-ww - Learning What and Where to Transfer

前言

協助友人快速執行程式，將程式開發流程記錄下來以供參考，訓練完成時間約10個小時。
開發環境使用一張 Nvidia 2080Ti 顯示卡，程式並無大問題，簡單處理將logs資料夾刪除。
初步流程約半個小時內可以快速上手。

資料來源

• Source Code - L2T-ww
  https://github.com/alinlab/L2T-ww

• ICML 2019 Paper - Learning What and Where to Transfer
  https://arxiv.org/pdf/1905.05901.pdf

環境需求

• python>=3.6
• pytorch>=1.0
• torchvision
• cuda>=9.0

資料集

將下載後的檔案根據下圖所示建立該目錄，
只針對CUB-200 datasets與Stanford Dogs datasets，其餘未測試。

• The Caltech-UCSD Birds-200-2011 (CUB-200)
  https://data.deepai.org/CUB200(2011).zip

• Run cub200.py

• Stanford Dogs datasets
  http://vision.stanford.edu/aditya86/ImageNetDogs/
  下載對應的目錄
  • Images
  • List

• Run dog.py
  

訓練模型

開啟終端機，切換路徑至專案根目錄，輸入指令，開始訓練。

• 切換至專案目錄
  

• 指令 (Windows)

  python train_l2t_ww.py --dataset dog --datasplit dog --dataroot ./data/dog --experiment ./logs/dog/
  
  python train_l2t_ww.py --dataset cub200 --datasplit cub200 --dataroot ./data/CUB_200_2011 --experiment ./logs/CUB_200_2011/
  
  python train_l2t_ww.py --dataset cifar100 --datasplit cifar100 --dataroot ./data/ --experiment logs/cifar100_0/ --source-path logs --source-model resnet32 --source-domain tinyimagenet-200 --target-model vgg9_bn --pairs 4-0,4-1,4-2,4-3,4-4,9-0,9-1,9-2,9-3,9-4,14-0,14-1,14-2,14-3,14-4 --batchSize 128
  
  python train_l2t_ww.py --dataset stl10 --datasplit stl10 --dataroot ./data/ --experiment logs/stl10_0/ --source-path logs --source-model resnet32 --source-domain tinyimagenet-200 --target-model vgg9_bn --pairs 4-0,4-1,4-2,4-3,4-4,9-0,9-1,9-2,9-3,9-4,14-0,14-1,14-2,14-3,14-4 --batchSize 128

• 訓練過程紀錄
  

• 訓練結果