先訓練G：

先不計算D的梯度：　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　判別器輸入類型為（源域，0）或者（目標域，1），輸出圖片為真實圖片(源域)的概率值
for param in model_D.parameters():  　　　# model_D = nn.ModuleList([FCDiscriminator...])  判別器是一個全卷積網絡，其實就是一個二分類，輸出一個條件概率，即輸入樣本屬于源域或者目標域的概率
    param.requires_grad = False                                                           判別損失 Ld 是一個二分類交叉熵損失，判斷輸入屬于源域還是目標域
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　怎么才算訓練好判別器：判別器能對真圖打高分，對假圖打低分
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
輸入圖片：
images.size: torch.Size([1, 3, 512, 1024])
labels.size: torch.Size([1, 512, 1024])
源域圖片S 的輸出分割特征圖：
feat_source: ([1, 2048, 65, 129])
pred_source: ([1, 19, 65, 129])
輸出特征圖接一個上采樣后 pred_source 大小變成: ([1, 19, 512, 1024])

計算交叉熵損失：
loss_seg = seg_loss(pred_source, labels)
計算梯度值，并反傳梯度值: （只是計算，不更新）
loss_seg.backward()

目標域圖片T的大小、特征圖大小 和上面的源域S一樣，不同的是，經過分割網絡時，得到一個加權的特征圖（注：加權后的特征圖大小不變）
和S一樣，得到特征圖后，接一個上采樣：
pred_target = interp_target(pred_target)

先損失清零
loss_adv = 0
然后計算判別損失值，即對倒數第二層的T域特征圖打分
D_out = model_D[0](feat_target)  （判別器D[0]輸入通道為2048，輸出通道為1）
再用上面的判別損失值來計算對抗損失，即用bce_loss（即均方差MSELoss()）來計算D_out和source_label的分布差
loss_adv += bce_loss(D_out, torch.FloatTensor(D_out.data.size()).fill_(source_label).to(device))   # source_label=0

先對最后一層的T域特征圖打分：特征圖先變成概率圖(用softmax())，然后對概率圖打分
D_out = model_D[1](F.softmax(pred_target, dim=1))  （判別器D[1]輸入19，輸出1）
然后計算對抗損失：
loss_adv += bce_loss(D_out, torch.FloatTensor(D_out.data.size()).fill_(source_label).to(device))
loss_adv = loss_adv * 0.01

計算梯度值，并將梯度反傳：
loss_adv.backward()
更新模型參數：
optimizer.step()

再訓練D：