Fast Gradient Sign Attack(FGSM)

Fast Gradient Sign Attack（FGSM）用于生成對抗樣本

算法原理參考：https://blog.csdn.net/ilalaaa/article/details/105963778

在現(xiàn)實生活中，往往改動一小部分?jǐn)?shù)據(jù)將會對model的結(jié)果產(chǎn)生巨大的影響，那么我們需要將這種微小的變化考慮進(jìn)model中，增強(qiáng)model的泛化能力。我們可以自主生成對抗樣本，讓model基于對抗樣本和訓(xùn)練樣本學(xué)習(xí)。

代碼解釋參考：https://blog.csdn.net/hg_zhh/article/details/100155785

github源碼主要實現(xiàn)利用FGSM生成對抗樣本，比較在不同ε下FGSM的攻擊效果，最后繪圖呈現(xiàn)結(jié)果。

github地址：https://github.com/fanjiarong2343/CNN_FGSM

關(guān)鍵代碼
CNN神經(jīng)網(wǎng)絡(luò)構(gòu)建：

class Net(nn.Module):def __init__(self, num_classes=10):super(Net, self).__init__()self.layer1 = nn.Sequential(nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),nn.BatchNorm2d(16), # https://blog.csdn.net/bigFatCat_Tom/article/details/91619977 卷積層之后添加BatchNorm2d進(jìn)行數(shù)據(jù)的歸一化處理,這使得數(shù)據(jù)在進(jìn)行Relu之前不會因為數(shù)據(jù)過大而導(dǎo)致網(wǎng)絡(luò)性能的不穩(wěn)定nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))self.layer2 = nn.Sequential(nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))self.fc = nn.Linear(7 * 7 * 32, num_classes)def forward(self, x):out = self.layer1(x)out = self.layer2(out)out = out.reshape(out.size(0), -1)out = self.fc(out)return F.log_softmax(out, dim=1) # https://blog.csdn.net/qq_28418387/article/details/95918829

FGSM算法：

def fgsm_attack(image, epsilon, data_grad):"""獲取擾動圖片:param image: 原始圖片:param epsilon: 擾動量:param data_grad: 損失梯度:return:"""sign_data_grad = data_grad.sign() # 獲取梯度的符號perturbed_image = image + epsilon * sign_data_gradperturbed_image = torch.clamp(perturbed_image, 0, 1) # 將數(shù)值裁剪到0-1的范圍內(nèi)return perturbed_image

結(jié)論
Figure_1

Figure_2

Figure_3

總結(jié)

以上是生活随笔為你收集整理的基于手写数字识别的FGSM的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。