add: deep code

Author: jindongwang

src/chaps/ch10_practice.tex

@@ -38,11 +38,13 @@ \section{上手实践}
 迁移学习方法主要包括：传统的非深度迁移、深度网络的finetune、深度网络自适应、以及深度对抗网络的迁移。教程的目的是抛砖引玉，帮助初学者快速入门。由于网络上已有成型的深度网络的finetune、深度网络自适应、以及深度对抗网络的迁移教程，因此我们不再叙述这些方法，只在这里介绍非深度方法的教程。其他三种方法的地址分别是：
 
 \begin{itemize}
-	\item 深度网络的finetune：\href{https://cosx.org/2017/10/transfer-learning/}{深度迁移学习识花训练(Python+Tensorflow)}、\href{https://github.com/miguelgfierro/sciblog_support/blob/master/A_Gentle_Introduction_to_Transfer_Learning/Intro_Transfer_Learning.ipynb}{使用PyTorch进行finetune}
-	\item 深度网络的自适应：\href{https://github.com/tensorflow/models/tree/master/research/domain_adaptation}{DSN方法}
-	\item 深度对抗网络迁移：\href{https://github.com/erictzeng/adda}{ADDA方法(Tensorflow)}以及\href{https://github.com/jindongwang/tf-dann}{DANN方法(Tensorflow)}
+	\item 深度网络的finetune：\href{https://github.com/jindongwang/transferlearning/tree/master/code/deep/finetune_AlexNet_ResNet}{用Pytorch对Alexnet和Resnet进行微调}、\href{https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html}{使用PyTorch进行finetune}
+	\item 深度网络的自适应：\href{https://github.com/jindongwang/transferlearning/tree/master/code/deep/DDC_DeepCoral}{DDC/DCORAL方法的Pytorch代码}
+	\item 深度对抗网络迁移：\href{https://github.com/jindongwang/transferlearning/tree/master/code/deep/DANN(RevGrad)}{DANN方法}
 \end{itemize}
 
+更多深度迁移方法的代码，请见\url{https://github.com/jindongwang/transferlearning/tree/master/code/deep}。
+
 %\subsection{非深度迁移}
 
 在众多的非深度迁移学习方法中，我们选择发表于ICCV-13的JDA(Joint Adaptation Network)~\cite{long2013transfer}方法进行实践。实验平台为普通机器上的Matlab软件。