论文题目：Duplex Generative Adversarial Network for Unsupervised Domain AdaptationCVPR 2018 Open Access Repository
代码地址：http://vipl.ict.ac.cn/view_database.php?id=6
这篇文章主要解决的是非监督域调整问题（unsupervised domain adaptation）,关于域调整问题，可以稍微解释如下：两个数据集标签都是一样的，带有完整标签信息的叫做源域，而只有样本没有对应标签的数据集叫目标域，域调整的目标是将在源域学习到的目标分类器同时适用于目标域。
文中的解决方法是寻求一个潜在空间，在潜在空间上保持域不变性和类别信息信息，即在潜在空间上，无论来源于源域或是目标域，同属于一个类别的聚成一块，而不属于一个类别的相互分离。
作者实现这个目标，主要依靠一个编码器，一个生成器和两个判别器。编码器和生成器是两个域（目标域和源域共享的），而判别器有两个（分别对应源域数据和目标域数据），整个模型框架如下：
对于生成的潜在表示为什么是域不变的，文章给出的解释如下：
解释一下，就是说：z可以同时生成源域和目标域的信息，当有矛盾时，可以通过引入的这个潜在空间兼容两个域的不同，于是，关于编码器编码器这部分的目标函数如下：
因为要使用对抗学习，生成的样本希望可以骗过对应的判别器，所以，对于生成的样本的标签是定义如下的：
目标域的类别信息预先是不知道的，文中是通过预训练的方法学习到了。
关于两个判别器的部分，和传统的判别器相差差不大，真实的样本判别出属于哪一类（不仅判别出为真，还需要判别出属于哪一类，这点是不同的，即保留了类别信息），生成的样本判别出为假的样本（同时也就判断出不属于某一个类别）。
此时，对于类别标签的定义是如下的：
以下是对代码的解读：
以上是对两个判别器的训练，但是真实样本时，对应的判别器将该样本判别为对应的类别（也同时判定为真实的样本了，第11类才代表是假的样本），当输入生成的样本时，对应的判别器判别为第11类（代表样本是假的样本）。
训练生成器，生成器是由两部分组成的，第一部分是卷积层，第二部分是反卷积，生成图像。
生成器的定义如下：
对于生成器的训练如下：
这部分的代码对应的公式是文中的式子（7）：
生成的样本希望可以欺骗过对应的D1和D2判别器，而不是判别为第11类（即假的类别），同时域内重构的样本需要和输入的样本相似。
特点：构建的潜在特征是域不变和具有类别信息的。从而可以在潜在空间上进行分类。
