先训练G：
先不计算D的梯度： 判别器输入类型为（源域，0）或者（目标域，1），输出图片为真实图片(源域)的概率值
for param in model_D.parameters(): # model_D = nn.ModuleList([FCDiscriminator...]) 判别器是一个全卷积网络，其实就是一个二分类，输出一个条件概率，即输入样本属于源域或者目标域的概率
param.requires_grad = False 判别损失 Ld 是一个二分类交叉熵损失，判断输入属于源域还是目标域
怎么才算训练好判别器：判别器能对真图打高分，对假图打低分
输入图片：
images.size: torch.Size([1, 3, 512, 1024])
labels.size: torch.Size([1, 512, 1024])
源域图片S 的输出分割特征图：
feat_source: ([1, 2048, 65, 129])
pred_source: ([1, 19, 65, 129])
输出特征图接一个上采样后 pred_source 大小变成: ([1, 19, 512, 1024])
计算交叉熵损失：
loss_seg = seg_loss(pred_source, labels)
计算梯度值，并反传梯度值: （只是计算，不更新）
loss_seg.backward()
目标域图片T的大小、特征图大小 和上面的源域S一样，不同的是，经过分割网络时，得到一个加权的特征图（注：加权后的特征图大小不变）
和S一样，得到特征图后，接一个上采样：
pred_target = interp_target(pred_target)
先损失清零
loss_adv = 0
然后计算判别损失值，即对倒数第二层的T域特征图打分
D_out = model_D[0](feat_target) （判别器D[0]输入通道为2048，输出通道为1）
再用上面的判别损失值来计算对抗损失，即用bce_loss（即均方差MSELoss()）来计算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
先对最后一层的T域特征图打分：特征图先变成概率图(用softmax())，然后对概率图打分
D_out = model_D[1](F.softmax(pred_target, dim=1)) （判别器D[1]输入19，输出1）
然后计算对抗损失：
loss_adv += bce_loss(D_out, torch.FloatTensor(D_out.data.size()).fill_(source_label).to(device))
loss_adv = loss_adv * 0.01
计算梯度值，并将梯度反传：
loss_adv.backward()
更新模型参数：
optimizer.step()
再训练D：
