Hi, 是softmax之后算disc. loss的，具体可以看这里code。

谢谢作者大大回复，就是想确认一下paper里的discrepancy loss是不是作用于domain-specific features、是在classifier之前呢？discrepancy loss是不是也可以作用于classifier分类后的结果呢

Hi，是classifier之后计算disc. loss的

谢谢作者回复，可是code里面是F.softmax(data_tgt_DSFE[mark], dim=1)和F.softmax(data_tgt_DSFE[i], dim=1)作差的、没有经过classifier...

Hi! 我刚去检查了下代码和论文，设计的时候确实是discrepancy loss是在classifier之后计算的，但是代码实现部分，也就是上面我发的地方，确实写错了很尴尬:rofl:。我记得之前还在思考为什么这个disc. loss没有直觉上那么有效果，真是出了大乌龙。因为我现在没有计算资源了，这些代码难以重新跑一次更新数据，如果可以的话，且你感兴趣的话，可以修改一下后提交一个PR:see_no_evil:。这是我的疏忽大意，实在抱歉。总之现在的代码是在classifier之前那一层拉近了feature的分布了，不是很确定是否classifier之后效果会不会提升很多。

谢谢作者回复和解惑！作者大大的这篇论文里想法非常具有启发性，我学到了很多！

Hi！不不不是你的issue才让我发现了这个错误，我应该感谢你才对:joy_cat:

@brucedoll 你要不要把出问题的地方改一下，也就是改成过classifier之后再去算disc. loss，结果的话我以后再加好了，现在没数据集没服务器我也没法加。或者你直接开个PR我来改下

作者大大你好，想问一下上面说的问题修改好了吗

@18637838358 哈喽，这个问题在库里还没改，你可以在loss计算的时候改一下使用的特征

想问一下作者大大，这个issue改的话是这样改的吗

discrepency loss

        for i in range(len(data_tgt_DSFE)):
            if i != mark:
                disc_loss  = torch.mean(torch.abs(
                    F.softmax(eval(DSC_name)(data_tgt_DSFE[mark]), dim=1) -
                    F.softmax(eval(DSC_name)(data_tgt_DSFE[i]), dim=1)
                ))

就是用DSC这个分类器对目标域数据分类之后再计算loss呢，我改完之后准确率骤降，不知道是不是理解错了┭┮﹏┭┮

@hl990515 哈喽，这个repo已经过了很久了我也没在做这方面的工作所以尽量回答你。我记得在论文里disc_loss是用来保证不同的subject出来的结果都尽量是一样的，所以其实感觉用经过分类器前的vector或者经过分类器后的应该都行。至于你现在尝试的为什么准确率这么低的原因，我手头已经没有资源和数据集验证这个repo，所以没办法测试评估告诉你原因抱歉。我现在也不太确定这个issue前面说的到底对不对，可能这个代码写得是对的，但是论文里我disc loss描述的部分是错的，所以一直留着这个issue给大家也提醒一下。如果你感兴趣的话可以自己再研究下，现在repo写的其实也是对的。