Keras实现ADDA时Target Generator未更新的技术问询

从你的描述和代码来看，Target Model的预测始终和Source一致，核心问题是Target Generator的权重没有在训练过程中得到更新，大概率是模型构建时的权重共享、可训练状态设置或者训练流程的问题。我帮你梳理了几个关键问题和对应的修复方案：

1. Target Generator未复制Source的预训练权重 #

你提到已经加载了预训练的Source模型，但代码里self.target_generator = self.build_generator(modelInput)是重新初始化了一个新的Generator，并没有继承Source Generator的预训练权重。这会导致初始状态下Target和Source的Generator权重相同（因为初始化方式一致），但后续训练如果没关联上，权重也不会更新。

修复：在预训练完Source模型后，把Source Generator的权重复制给Target Generator：

# 假设你已经完成了Source模型的预训练
self.target_generator.set_weights(self.source_generator.get_weights())

2. Combined Model的构建方式导致权重不共享 #

你用Sequential来组合Target Generator和Discriminator，这种方式在嵌套Model层时可能会出现权重不共享的问题——训练Combined Model时的更新没有同步到你定义的self.target_generator实例上。

建议改用Functional API构建Combined Model，确保权重完全共享：

# 替换原有的Combined Model构建代码
target_input = layers.Input(shape=self.img_shape)
# 使用同一个target_generator实例
target_features = self.target_generator(target_input)
disc_output = self.discriminator_model(target_features)
self.combined_model = Model(target_input, disc_output)

# 固定Discriminator的权重，只训练Target Generator
self.discriminator_model.trainable = False
self.combined_model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['acc'])

3. 训练Discriminator时未冻结Generator权重 #

ADDA的流程要求训练Discriminator时，Source和Target Generator的权重必须固定，否则Discriminator的训练会无意中改变Generator的特征提取能力，破坏Domain Adaptation的逻辑。

修复：在训练Discriminator之前，冻结两个Generator的权重：

# 训练Discriminator阶段
self.source_generator.trainable = False
self.target_generator.trainable = False
self.discriminator_model.trainable = True

# 重新编译Discriminator（因为修改了trainable状态）
self.discriminator_model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['acc'])

# 然后用Source特征和Target特征训练Discriminator
# 示例：获取Source和Target的特征
source_feats = self.source_generator.predict(source_data)
target_feats = self.target_generator.predict(target_data)
# 构造标签：Source为[1,0]，Target为[0,1]（对应Discriminator的2类输出）
source_labels = np.zeros((len(source_feats), 2))
source_labels[:, 0] = 1
target_labels = np.zeros((len(target_feats), 2))
target_labels[:, 1] = 1
# 合并数据并训练
X_disc = np.concatenate([source_feats, target_feats])
y_disc = np.concatenate([source_labels, target_labels])
self.discriminator_model.fit(X_disc, y_disc, epochs=..., batch_size=...)

4. Target Model中的Classifier未固定 #

ADDA中Source Classifier是预训练好的固定模块，用来评估Target Generator的特征适配效果。你的Target Model中直接使用了self.source_classificator，但默认它是可训练的，这会导致训练Target Model时（如果有的话）更新Classifier权重，而不是只更新Target Generator。

修复：固定Source Classifier的权重，重新编译Target Model：

self.source_classificator.trainable = False
self.target_model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['acc'])

5. 训练Combined Model的标签逻辑要正确 #

训练Combined Model时，我们的目标是让Target Generator生成的特征被Discriminator误判为Source特征，所以输入Target图像时，标签应该设置为Source对应的类别（即[1,0]，和Discriminator训练时的Source标签一致）：

# 训练Combined Model阶段
self.discriminator_model.trainable = False
self.target_generator.trainable = True
# 重新编译Combined Model（可选，确保trainable状态生效）
self.combined_model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['acc'])

# 构造标签：全部设为Source的类别
y_combined = np.zeros((len(target_data), 2))
y_combined[:, 0] = 1
# 用Target数据训练Combined Model
self.combined_model.fit(target_data, y_combined, epochs=..., batch_size=...)

按照这些修改调整后，Target Generator的权重应该会在训练过程中得到更新，Target Model的预测结果也会逐渐和Source Model产生差异，最终在Target域上获得更好的适配效果。

内容的提问来源于stack exchange，提问作者JecaJeca