以下链接是个人关于DG-Net(行人重识别ReID)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。
行人重识别0-00：DG-Net(行人重识别ReID)-目录-史上最新最全：https://blog.csdn.net/weixin_43013761/article/details/102364512
gen_update白话解说
首先找到trainer.py中gen_update函数，我们可以看到，调用了：
# encode again (encoder is tuned, input is fixed)
# Es编码得到s_a_recon与s_b_recon即st code
# 如果是理想模型，s_a_recon=s_a, s_b_recon=s_b
s_a_recon = self.gen_b.enc_content(self.single(x_ab_copy))
s_b_recon = self.gen_a.enc_content(self.single(x_ba_copy))
这里做了一件什么事情呢？首先大家注意recon表示的是重构，多次提到，论文中重构，就是构建一个训练数据集已经存在的照片，是可以直接通过重构图像与原图，求得两张图像的像素差，计算像素loss。但是这里的重构，是对st cope进行重构，什么意思呢？就是把已经合成的图片中的st code份离出来，相当于论文图示中的红框操作。
可以很明显的知道s_a_recon，s_b_recon表示的是上图中绿框部分。拿到这个东西做什么呢？后续讲解（其实是为了计算loss）。我们接着往下看，找到代码：
# encode again (encoder is fixed, input is tuned)
# 对混合生成的图片x_ba，x_ab记行Es编码操作，同时对身份进行鉴别#
# f_a_recon，f_b_recon表示的ap code，p_a_recon，p_b_recon表示对身份的鉴别
f_a_recon, p_a_recon = self.id_a_copy(scale2(x_ba))
f_b_recon, p_b_recon = self.id_b_copy(scale2(x_ab))
通过前面的博客分析，可以知道，这里是进行了Ea编码，同时得到了身份鉴别(行人识别)的结果，再次啰嗦一下，Ea编码模型也是行人重识别的模型。上面的x_ba，x_ab表示的是合成的图片，对合成的图片进行编码，以及生成预测，相当如论文的如下步骤：
这里我们需要计算两个loss，一个是身份预测的loss，一个编码之后得到ap code（与真实图片的ap code）的loss。
下面我们继续看代码：
# 绝妙的设计，重点思想，重点思想,超级重点。也是我论文翻译的第二个红牌警告，具体细节看博客，注释讲解下来太恐怖了
elif hyperparameters['ID_style'] == 'AB':
# normal teacher-student loss
# BA -> LabelA(smooth) + LabelB(batchB)
# 合成的图片经过身份鉴别器，得到每个ID可能性的概率，注意这里取的是p_ba_student[0]，主要身份特征
# 并且赋值给了p_a_student，用于和教师模型结合的，共同计算损失
_, p_ba_student = self.id_a(scale2(x_ba_copy))# f_a, s_b
p_a_student = log_sm(p_ba_student[0])
with torch.no_grad():
p_a_teacher = predict_label(self.teacher_model, scale2(x_ba_copy), num_class = hyperparameters['ID_class'], alabel = l_a, slabel = l_b, teacher_style = hyperparameters['teacher_style'])
# criterion_teacher = nn.KLDivLoss(size_average=False)
# 计算离散距离，可以理解为p_a_student与p_a_teacher每个元素的距离和，然后除以p_a_student.size(0)取平均值
# 就是说学生网络（Ea）的预测越与教师网络结果相同，则是最好的
self.loss_teacher = self.criterion_teacher(p_a_student, p_a_teacher) / p_a_student.size(0)
# 同样另外的合成图像，进行相同操作
_, p_ab_student = self.id_b(scale2(x_ab_copy)) # f_b, s_a
p_b_student = log_sm(p_ab_student[0])
with torch.no_grad():
p_b_teacher = predict_label(self.teacher_model, scale2(x_ab_copy), num_class = hyperparameters['ID_class'], alabel = l_b, slabel = l_a, teacher_style = hyperparameters['teacher_style'])
self.loss_teacher += self.criterion_teacher(p_b_student, p_b_teacher) / p_b_student.size(0)
# branch b loss
# here we give different label
# 求得学生网络（Ea）预测ID结果，与实际ID之间的损失，注意这里取的是p_ba_student[1]，表示是细节身份特征
# 大家要细心的去体会p_ba_student[0]，p_ba_student[1]
loss_B = self.id_criterion(p_ba_student[1], l_b) + self.id_criterion(p_ab_student[1], l_a)
# 网络中T_w=1， B_w=0.2
self.loss_teacher = hyperparameters['T_w'] * self.loss_teacher + hyperparameters['B_w'] * loss_B
可以知道这里主要求得两个loss
self.loss_teacher：表示的是我们的学生网络（Ea，重识别模块）预测和教师网络预测结果的损失，ID分类损失。
loss_B：表示的是我们的学生网络（Ea，重识别模块）与真实标签之间的损失。
现在为大家解释一下其中的思想，为什么要一个真实标签的loss，还要一个教师网络的模型。要知道，我们的教师网络，训练时在train_all数据上训练的，这751个人中，基本都是衣服相同的，也就是说，对于这种AB混合成的图片，对于教师网络来说，其识别难度时很大很大的。教师网络会觉得又像A，然后又像B，也就说，他会觉得和这751个中的两个人都比较像。通过：
self.loss_teacher = self.criterion_teacher(p_a_student, p_a_teacher) / p_a_student.size(0)
损失的计算，我们的学生网络，也就是Ea行人重识别网络，跟着教师网络网络学坏。也就是p_a_student=p_a_teacher，那么此时学生网络计算出来的概率，和教师网络时一样的，他也傻乎乎的分不清楚，到底谁是谁，觉得751个人中，有两个人都和他预测的照片比较像，概率都很高。
但是，他真的被教坏了吗？是的，他是真的被教坏了，但是同时这个学生是有自己的思想的，如：
loss_B = self.id_criterion(p_ba_student[1], l_b) + self.id_criterion(p_ab_student[1], l_a)
这个loss的定义，可以看到，其和教师网络是完全没有关系的，他是自己在学习，学习到完全正确的东西。
下面再来看看：
# 网络中T_w=1， B_w=0.2
T_w是跟着教师网络学习的loss权重，占的比例比较大，B_w表示自我学习的权重，比较小，只有0.2。
说明了这样一个现象，学生网络先有模有样的照着教师网络学习。老师怎么猜测，他就怎么猜测。因为T_w=1，所以以他为主要。要是遇到复杂的情况，比如合成的这种难识别的图像，他就会自己再根据一些细节，去进行自己的判定。再老师的指导下，再加上自己判断，完成识别。
我不知道这样的讲解算不算形象。哎，如果不明白，你对不起我，我也对不起你啊。