【对抗算法代码实现】FGSM

FGSM

先训练一个神经网络的模型 LeNet

下载数据集并可视化
# 这句话的作用:即使是在Python2.7版本的环境下，print功能的使用格式也遵循Python3.x版本中的加括号的形式
from __future__ import print_functionimport torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from torch import nn#加载数据集
mnist_train=torchvision.datasets.MNIST(root='datasets',train=True,download=True,transform=torchvision.transforms.ToTensor())
mnist_test=torchvision.datasets.MNIST(root='datasets',train=False,download=True,transform=torchvision.transforms.ToTensor())
# print(len(mnist_train))60000
# print(len(mnist_test))10000
imgs,target=mnist_train[0]
# print(feature.shape,label)打印图像大小torch.Size([1, 28, 28])，标签5
dataloader=DataLoader(mnist_test,batch_size=64,num_workers=0)#每次加载64张，num_workers 参数是用于指定用于数据加载的子进程数量的参数
step=0
writer=SummaryWriter(log_dir='runs/mnist')#可视化,在terminal中注意使用绝对路径
for data in dataloader:imgs,target=datawriter.add_images(tag='train',img_tensor=imgs,global_step=step)step+=1
writer.close()

此处注意先激活环境，然后使用绝对路径
在这里插入图片描述
在这里插入图片描述

模型搭建

在这里插入图片描述

#定义lenet模型
from torch import nnclass LeNet(nn.Module):def __init__(self):super(LeNet,self).__init__()self.model1=nn.Sequential(nn.Conv2d(1,6,5,2),nn.Sigmoid(),nn.AvgPool2d(6,2),nn.Conv2d(6,16,5,1),nn.Sigmoid(),nn.AvgPool2d(2,2),nn.Flatten(),nn.Linear(16*5*5,120),nn.Sigmoid(),nn.Linear(120,84),nn.Sigmoid(),nn.Linear(84,10))def forward(self,x):return self.model1(x)# leNet=LeNet()
# print(leNet)

在这里插入图片描述
在这里插入图片描述

完整代码
# 这句话的作用:即使是在Python2.7版本的环境下，print功能的使用格式也遵循Python3.x版本中的加括号的形式
from __future__ import print_functionimport torch.optim
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from torch import nn#加载数据集
mnist_train=torchvision.datasets.MNIST(root='datasets',train=True,download=True,transform=torchvision.transforms.ToTensor())
mnist_test=torchvision.datasets.MNIST(root='datasets',train=False,download=True,transform=torchvision.transforms.ToTensor())
dataloader_train=DataLoader(mnist_train,batch_size=64,num_workers=0)
dataloader_test=DataLoader(mnist_test,batch_size=64,num_workers=0)
#模型搭建
class LeNet(nn.Module):def __init__(self):super(LeNet,self).__init__()self.model1=nn.Sequential(nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2),nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5),nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Flatten(),nn.Linear(in_features=16 * 5 * 5, out_features=120),nn.Sigmoid(),nn.Linear(120, 84),nn.Sigmoid(),nn.Linear(in_features=84, out_features=10))def forward(self,x):return self.model1(x)#创建模型
leNet=LeNet()
#损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
learning_rate=1e-2
optimizer=torch.optim.Adam(leNet.parameters(),lr=learning_rate)
total_train_step=0#记录训练次数
epoch=10#训练次数
writer=SummaryWriter(log_dir='runs/LeNet')
#训练
for i in range(epoch):print("-------第{}轮训练开始-------".format(i+1))leNet.train()train_loss=0for data in dataloader_train:imgs,target=dataoutputs=leNet(imgs)loss=loss_fn(outputs,target)optimizer.zero_grad()loss.backward()#反向传播optimizer.step()#更新参数total_train_step+=1train_loss+=loss.item()writer.add_scalar('train_loss_detail',loss.item(),total_train_step)writer.add_scalar('train_loss_total',train_loss,i+1)leNet.eval()  # 测试模式total_test_loss = 0  # 当前轮次模型测试所得损失total_accuracy = 0  # 当前轮次精确率with torch.no_grad():  # 关闭梯度反向传播for data in dataloader_test:imgs, targets = dataoutputs = leNet(imgs)loss = loss_fn(outputs, targets)total_test_loss = total_test_loss + loss.item()accuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracywriter.add_scalar("test_loss", total_test_loss, i + 1)writer.add_scalar("test_accuracy", total_accuracy / len(mnist_test), i + 1)torch.save(leNet,'models/LeNet.pth')#注意这里必须要手动建母文件models，否则会报错
# leNet=torch.load('./models/LeNet') 加载模型
writer.close()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

FGSM

剪切

在迭代更新过程中，随着迭代次数的增加，部分像素值可能会溢出。比如超出0到1 的范围，此时需将这些值用0或者1 代替，最后才能生成有效的图像。该过程确保了新样本的各个像素和在原样本各像素的某一邻域内，不至于失真。
在这里插入图片描述

import numpy as np
import torch.utils.data
from torch import nn
from torchvision import datasets, transforms
import torch.nn.functional as F
import matplotlib.pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'epsilons=[0,.05,.1,.15,.2,.25,.3]
pretrained_model='models/LeNet.pth'
test_loader=torch.utils.data.DataLoader(datasets.MNIST('datasets/MNIST',train=False,download=True,transform=transforms.ToTensor()),batch_size=1,shuffle=True#是否对训练数据进行洗牌的操作
)#定义网络模型
class LeNet(nn.Module):def __init__(self):super(LeNet,self).__init__()self.model1=nn.Sequential(nn.Conv2d(1,6,5,2),nn.Sigmoid(),nn.AvgPool2d(6,2),nn.Conv2d(6,16,5,1),nn.Sigmoid(),nn.AvgPool2d(2,2),nn.Flatten(),nn.Linear(16*5*5,120),nn.Sigmoid(),nn.Linear(120,84),nn.Sigmoid(),nn.Linear(84,10))def forward(self,x):return self.model1(x)model=torch.load('models/LeNet.pth')
# print(model)
#在评估模式下设置模型
model.eval()def fgsm_attack(image,epsilon,data_grad):""":param image: 被攻击的图像:param epsilon: 扰动值的范围:param data_grad:图像的梯度:return:扰动后的图像"""#收集数据梯度的元素符号sign_data_grad=data_grad.sign()#通过调整输入图像的每个像素来创建扰动图像perturbed_image=image+epsilon*sign_data_grad#添加剪切以维持【0,1】范围perturbed_image=torch.clamp(perturbed_image,0,1)return perturbed_image#开始攻击
def test(model,test_loader,epsilon):#计数器correct=0adv_examples=[]#循环遍历测试集中的所有示例for data,target in test_loader:data.requires_grad=True#用于指示是否要对张量进行梯度运算output=model(data)init_pred=output.max(1,keepdim=True)[1]#如果初始预测是错误的，不断地攻击if init_pred.item()!=target.item():continue#计算损失loss=F.nll_loss(output,target)model.zero_grad()loss.backward()data_grad=data.grad.dataperturbed_data=fgsm_attack(data,epsilon,data_grad)#使用fgsm进行攻击output=model(perturbed_data)#重新分类收到扰乱的图像#检查是否成功final_pred=output.max(1,keepdim=True)[1]if final_pred.item()==target.item():correct=correct+1if(epsilon==1)and (len(adv_examples)<5):adv_ex=perturbed_data.squeeze().detach().cpu().numpy()adv_examples.append((init_pred.item(),final_pred.item(),adv_ex))else:#用于可视化if len(adv_examples)<5:adv_ex = perturbed_data.squeeze().detach().cpu().numpy()adv_examples.append((init_pred.item(), final_pred.item(), adv_ex))#计算该epsilon的最终准确度final_acc=correct/float(len(test_loader))print("Epsilon: {}\tTest Accuracy = {} / {} = {}".format(epsilon, correct, len(test_loader), final_acc))return final_acc,adv_examples
accuracies=[]
examples=[]
#开始测试
for eps in epsilons:acc,ex=test(model,test_loader,eps)accuracies.append(acc)examples.append(ex)plt.figure(figsize=(5, 5))
plt.plot(epsilons, accuracies, "*-")
plt.yticks(np.arange(0, 1.1, step=0.1))
plt.xticks(np.arange(0, .35, step=0.05))
plt.title("Accuracy vs Epsilon")
plt.xlabel("Epsilon")
plt.ylabel("Accuracy")
plt.show()# 在每个epsilon上绘制几个对抗样本的例子
cnt = 0
plt.figure(figsize=(8, 10))
for i in range(len(epsilons)):for j in range(len(examples[i])):cnt += 1plt.subplot(len(epsilons), len(examples[0]), cnt)plt.xticks([], [])plt.yticks([], [])if j == 0:plt.ylabel("Eps: {}".format(epsilons[i]), fontsize=14)orig, adv, ex = examples[i][j]plt.title("{} -> {}".format(orig, adv))plt.imshow(ex, cmap="gray")
plt.tight_layout()
plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/197306.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Redis——简单动态字符串（Simple Dynamic Strings,SDS）

Redis——简单动态字符串（Simple Dynamic Strings,SDS）

简单动态字符串&#xff08;Simple Dynamic Strings,SDS&#xff09;是Redis的基本数据结构之一&#xff0c;用于存储字符串和整型数据。SDS兼容C语言标准字符串处理函数&#xff0c;且在此基础上保证了二进制安全。 1、数据结构 在了解SDS源码前&#xff0c;我们先思考一个问…
阅读更多...
【模电】设置静态工作点的必要性

【模电】设置静态工作点的必要性

设置静态工作点的必要性 静态工作点为什么要设置静态工作点 静态工作点 在放大电路中&#xff0c;当有信号输入时&#xff0c;交流量与直流量共存。将输入信号为零、即直流电源单独作用时晶体管的基极电流 I B I\tiny B IB、集电极电流 I C I\tiny C IC、b - e间电压 U B E U\t…
阅读更多...
oops-framework框架 之 Excel转Json

oops-framework框架 之 Excel转Json

引擎&#xff1a; CocosCreator 3.8.0 环境&#xff1a; Mac Gitee: oops-plugin-excel-to-json 注&#xff1a; 作者dgflash的oops-framework框架QQ群&#xff1a; 628575875 配置 作者dgflash在oops-framework的框架中&#xff0c;提供了关于Excel数据表转换为Json和TypeSc…
阅读更多...
对抗神经网络 CGAN实战详解 完整数据代码可直接运行

对抗神经网络 CGAN实战详解 完整数据代码可直接运行

代码视频讲解： 中文核心项目：对抗神经网络 CGAN实战详解 完整代码数据可直接运行_哔哩哔哩_bilibili 运行图： 完整代码： from keras.layers import Input, Dense, Reshape, Flatten, Dropout, multiply from keras.layers import BatchNormalization, Activation, Embedd…
阅读更多...
uniapp是否可以用vant等移动端UI库、使用步骤以及需要注意的问题

uniapp是否可以用vant等移动端UI库、使用步骤以及需要注意的问题

文章目录 使用vant步骤使用中遇到的问题在浏览器中的运行效果综上&#xff0c;不建议uniapp项目使用vant。 使用vant步骤 首先vant可以兼容uniapp&#xff0c;直接用vant版就好。微信小程序专用版本是&#xff1a;vant-weapp。 基本使用步骤&#xff1a; 1、安装 # 安装 Va…
阅读更多...
实战技巧：为Android应用设置独立的多语言

实战技巧：为Android应用设置独立的多语言

原文链接 实战技巧&#xff1a;为Android应用设置独立的多语言 通常情况下多语言的设置都在系统设置中&#xff0c;应用需要做的就是提供本应用所使用的字串的多语言翻译&#xff0c;使用时使用R.string.app_name类似的引用&#xff0c;然后系统会根据用户在系统设置中的选项来…
阅读更多...
python系统调用执行ping命令无法检测到超时情况（破案了：ping命令-W参数单位为s，我写了个1000）

python系统调用执行ping命令无法检测到超时情况（破案了：ping命令-W参数单位为s，我写了个1000）

文章目录 问题描述破案了&#xff1a;ping命令-W参数单位为s&#xff0c;我写了个1000。。。,,ԾㅂԾ,, 问题描述 我用了系统调用去执行ping&#xff0c;一开始用os.system()&#xff0c;有问题&#xff0c;后面用subprocess问题还是存在&#xff0c;后来我把这个改了&#xff…
阅读更多...
“Python: Configure Tests“ not found解决方案

“Python: Configure Tests“ not found解决方案

最近想尝试尝试学学软件测试。正好电脑上安装了vscode&#xff0c; 又懒得装pycharm&#xff0c;所以就用vscode了。 遇到的问题 跟着vscode运行unittest框架想运行一下测试用例文件。【前提是文件名一定要包含test&#xff0c;文件里要导入unittest的包&#xff0c;类要继承…
阅读更多...
竞赛选题YOLOv7 目标检测网络解读

竞赛选题YOLOv7 目标检测网络解读

文章目录 0 前言1 yolov7的整体结构2 关键点 - backbone关键点 - head3 训练4 使用效果5 最后 0 前言 世界变化太快&#xff0c;YOLOv6还没用熟YOLOv7就来了&#xff0c;如果有同学的毕设项目想用上最新的技术&#xff0c;不妨看看学长的这篇文章&#xff0c;学长带大家简单的…
阅读更多...
36.位运算符

36.位运算符

一.什么是位运算符 按照二进制位来进行运算的运算符叫做位运算符&#xff0c;所以要先将操作数转换成二进制&#xff08;补码&#xff09;的形式在运算。C语言的中的位运算符有&#xff1a; 运算符作用举例结果& 按位与&#xff08;and&#xff09; 0&00; 0&10; …
阅读更多...
Linux进程间通信——共享内存

Linux进程间通信——共享内存

Linux进程间通信——共享内存 1、创建/打开共享内存1.1 shmget1.2 ftok 2、关联和接触关联2.1 shmat2.2 shmdt 3、删除共享内存3.1 shmctl 3.2 相关shell命令3.3 共享内存状态4、进程间通信5、shm和mmap的区别 原文链接 共享内存不同于内存映射区&#xff0c;它不属于任何进程…
阅读更多...
基于现代学徒制的大数据技术与应用人才培养模式探讨

基于现代学徒制的大数据技术与应用人才培养模式探讨

学生学徒制的实施旨在解决当前新技术企业招聘技能人才难和青年就业难的结构性矛盾&#xff0c;通过生态链链主企业携手院校共同解决毕业年度学生就业问题&#xff0c;按照学生个人意愿&#xff0c;建立以就业导向的学生学徒制关系&#xff0c;签订学徒培养协议确定学生就业岗位…
阅读更多...
【Java基础】几种拼接字符串的方法

【Java基础】几种拼接字符串的方法

几种拼接字符串的方法 1.使用 "" 运算符拼接字符串2.使用 StringBuilder 或 StringBuffer 类3.使用 StringJoiner 类4.使用 String 类 join 方法5.使用 StringUtils 类6.使用 String 类 concat 方法7.使用 String.format() 方法格式化字符串8.使用 Stream 实现9.总结…
阅读更多...
Python-图片去重

Python-图片去重

直接上代码 # 修改一下第34行文件夹路径以及13行图片后缀名即可使用 import os from hashlib import md5def remove_duplicate_images(folder_path):image_files []duplicate_images set()# 遍历文件夹&#xff0c;找到所有 JPG 图片文件for root, dirs, files in os.walk(f…
阅读更多...
智能优化算法应用：基于黑猩猩算法无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用：基于黑猩猩算法无线传感器网络(WSN)覆盖优化 - 附代码

智能优化算法应用&#xff1a;基于黑猩猩算法无线传感器网络(WSN)覆盖优化 - 附代码 文章目录 智能优化算法应用&#xff1a;基于黑猩猩算法无线传感器网络(WSN)覆盖优化 - 附代码1.无线传感网络节点模型2.覆盖数学模型及分析3.黑猩猩算法4.实验参数设定5.算法结果6.参考文献7.…
阅读更多...
Proteus8.16仿真软件安装图文教程（Proteus 8 Professional）

Proteus8.16仿真软件安装图文教程（Proteus 8 Professional）

Proteus8.16 &#x1f527;软件安装包下载链接&#xff1a;&#x1f527;视频教程&#x1f527;1 安装软件解压&#x1f527;2 安装&#x1f527;3 破解&#x1f527;4 汉化 &#x1f527;软件安装包下载链接&#xff1a; Proteus8.16软件下载链接 1、本文关于Proteus8.16 SP…
阅读更多...
双击热备方案实现（全）

双击热备方案实现（全）

双击热备是应用与服务器的一种解决方案&#xff0c;其构造思想是主机和从机通过TCP/IP网络连接&#xff0c;正常情况下主机处于工作状态&#xff0c;从机处于监视状态&#xff0c;一旦从机发现主机异常&#xff0c;从机将会在很短的时间内代替主机。完全实现主机的功能。 要想实…
阅读更多...
golang之net/http模块学习

golang之net/http模块学习

文章目录 开启服务开启访问静态文件获取现在时间按时间创建一个空的json文件按时间创建一个固定值的json文件 跨域请求处理输出是json 开启服务 package mainimport ("fmt""net/http" )//路由 func handler(w http.ResponseWriter, r *http.Request){fmt.…
阅读更多...
2023年多元统计分析期末试题

2023年多元统计分析期末试题

一、简答题 1、试述距离判别法、Fisher判别法和贝叶斯判别法的异同。 二、 2、设 X {X} X~ N 2 {N_2} N2​(μ&#xff0c;Σ)&#xff0c;其中 X {X} X ~ ( X 1 {X_1} X1​, X 2 {X_2} X2​, X 3 {X_3} X3​)&#xff0c;μ ( μ 1 {μ_1} μ1​&#xff0c; μ 2 {μ_2} …
阅读更多...
2024不收费的数据恢复软件EasyRecovery16

2024不收费的数据恢复软件EasyRecovery16

EasyRecovery2024是一款操作安全、用户可自主操作的数据恢复方案&#xff0c;它支持从各种各样的存储介质恢复删除或者丢失的文件&#xff0c;其支持的媒体介质包括&#xff1a;硬盘驱动器、光驱、闪存、硬盘、光盘、U盘/移动硬盘、数码相机、手机以及其它多媒体移动设备。能恢…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023