FGSM(Fast Gradient Sign Method)python实现

有现成的库cleverhans可以调用

https://github.com/cleverhans-lab/cleverhans

这个库是用tensorflow实现的,但也实现了pytorch版本

因为我调用的是pytorch版本,我接下来大概讲一下如何使用

他们给出了一个调用pytorch版本的例子:

https://github.com/cleverhans-lab/cleverhans/blob/master/tutorials/torch/cifar10_tutorial.py

代码如下:

from absl import app, flags
from easydict import EasyDict
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvisionfrom cleverhans.torch.attacks.fast_gradient_method import fast_gradient_method
from cleverhans.torch.attacks.projected_gradient_descent import projected_gradient_descentFLAGS = flags.FLAGSclass CNN(torch.nn.Module):"""Basic CNN architecture."""def __init__(self, in_channels=1):super(CNN, self).__init__()self.conv1 = nn.Conv2d(in_channels, 64, 8, 1)self.conv2 = nn.Conv2d(64, 128, 6, 2)self.conv3 = nn.Conv2d(128, 128, 5, 2)self.fc = nn.Linear(128*3*3, 10)def forward(self, x):x = F.relu(self.conv1(x))x = F.relu(self.conv2(x))x = F.relu(self.conv3(x))x = x.view(-1, 128*3*3)x = self.fc(x)return xdef ld_cifar10():"""Load training and test data."""train_transforms = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])test_transforms = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])train_dataset = torchvision.datasets.CIFAR10(root='/tmp/data', train=True, transform=train_transforms, download=True)test_dataset = torchvision.datasets.CIFAR10(root='/tmp/data', train=False, transform=test_transforms, download=True)train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=128, shuffle=True, num_workers=2)test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=128, shuffle=False, num_workers=2)return EasyDict(train=train_loader, test=test_loader)def main(_):# Load training and test datadata = ld_cifar10()# Instantiate model, loss, and optimizer for trainingnet = CNN(in_channels=3)device = 'cuda' if torch.cuda.is_available() else 'cpu'if device == 'cuda':net = net.cuda()loss_fn = torch.nn.CrossEntropyLoss(reduction='mean')optimizer = torch.optim.Adam(net.parameters(), lr=1e-3)# Train vanilla modelnet.train()for epoch in range(1, FLAGS.nb_epochs + 1):train_loss = 0.for x, y in data.train:x, y = x.to(device), y.to(device)if FLAGS.adv_train:# Replace clean example with adversarial example for adversarial trainingx = projected_gradient_descent(net, x, FLAGS.eps, 0.01, 40, np.inf)optimizer.zero_grad()loss = loss_fn(net(x), y)loss.backward()optimizer.step()train_loss += loss.item()print('epoch: {}/{}, train loss: {:.3f}'.format(epoch, FLAGS.nb_epochs, train_loss))# Evaluate on clean and adversarial datanet.eval()report = EasyDict(nb_test=0, correct=0, correct_fgm=0, correct_pgd=0)for x, y in data.test:x, y = x.to(device), y.to(device)x_fgm = fast_gradient_method(net, x, FLAGS.eps, np.inf)x_pgd = projected_gradient_descent(net, x, FLAGS.eps, 0.01, 40, np.inf)_, y_pred = net(x).max(1)  # model prediction on clean examples_, y_pred_fgm = net(x_fgm).max(1)  # model prediction on FGM adversarial examples_, y_pred_pgd = net(x_pgd).max(1)  # model prediction on PGD adversarial examplesreport.nb_test += y.size(0)report.correct += y_pred.eq(y).sum().item()report.correct_fgm += y_pred_fgm.eq(y).sum().item()report.correct_pgd += y_pred_pgd.eq(y).sum().item()print('test acc on clean examples (%): {:.3f}'.format(report.correct / report.nb_test * 100.))print('test acc on FGM adversarial examples (%): {:.3f}'.format(report.correct_fgm / report.nb_test * 100.))print('test acc on PGD adversarial examples (%): {:.3f}'.format(report.correct_pgd / report.nb_test * 100.))if __name__ == '__main__':flags.DEFINE_integer('nb_epochs', 8, 'Number of epochs.')flags.DEFINE_float('eps', 0.3, 'Total epsilon for FGM and PGD attacks.')flags.DEFINE_bool('adv_train', False, 'Use adversarial training (on PGD adversarial examples).')app.run(main)

代码不细讲,关键点在于下面这句,通过这句利用FGSM生成对抗样本

x_fgm = fast_gradient_method(net, x, FLAGS.eps, np.inf)

有一点需要注意,上述代码中需要引入了:

from cleverhans.torch.attacks.fast_gradient_method import fast_gradient_method

github的readme中中说首先需要安装

pip install cleverhans

我确实可以安装这个库,导入也没有问题,但 执行到下面这句就是不通过

from cleverhans.torch.attacks.fast_gradient_method import fast_gradient_method

说cleverhans.torch不存在?

于是没办法我只能把github上实现的代码复制下来,自己建一个一模一样的fast_gradient_method方法

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/490517.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

记忆化搜索 codevs 2241 排序二叉树

codevs 2241 排序二叉树 ★ 输入文件:bstree.in 输出文件:bstree.out 简单对比时间限制:1 s 内存限制:128 MB 【问题描述】 一个边长为n的正三角形可以被划分成若干个小的边长为1的正三角形,称为单位三角形。 …

窥探当今AI芯片中的类脑模型

来源:脑人言撰文丨邓 磊(加州大学-圣塔芭芭拉分校UCSB 博士后)责编丨高茂森 Soma排版丨夏獭科学研究的动机,并非仅仅是出于能看到多酷炫的应用,而是因为我们尚有诸多未知世界需要探寻,这是一切应用的前提。…

mysql调优_MYSQL企业常用架构与调优经验分享

一、选择Percona Server、MariaDB还是MYSQL1、Mysql三种存储引擎MySQL提供了两种存储引擎:MyISAM和 InnoDB,MySQL4和5使用默认的MyISAM存储引擎。从MYSQL5.5开始,MySQL已将默认存储引擎从MyISAM更改为InnoDB。MyISAM没有提供事务支持&#xf…

shutdown-t-s3600定时关机

winr定时关机shutdown-t-s3600 单位 秒

pycharm无缘无故打开Nosetest

一个正常的代码,本来前几天可以正常run,突然有一天点击run之后不是运行程序,而是报错一堆: Launching Nosetest with arguments。。。 usage: _jb_nosetest_runner.py 。。。 _jb_nosetest_runner.py: error: unrecognized arg…

python按比例生成数据组_基于python中的一个值生成“正态分布”数据

通过施加总和temp100你介绍的依赖至少两个数据点之间,因此无法建立一套独立的采样随机数据点。 一个简单的例子: 想象一下投币。系统中的随机性正好是一个二进制结果,或1位。 想象一下两个硬币翻转。系统中的随机性恰好是两个二进制结果或2位…

SpringMVC学习--参数绑定

spring参数绑定过程 从客户端请求key/value数据,经过参数绑定,将key/value数据绑定到controller方法的形参上。springmvc中,接收页面提交的数据是通过方法形参来接收。而不是在controller类定义成员变更接收。 默认支持的类型直接在controll…

matlab与ie交互

clc clear ieactxserver(internetexplorer.application); ie.Navigate(网址); while ~strcmp(ie.readystate,READYSTATE_COMPLETE) pause(.01) end loginnameie.document.getElementById(输入用户名的LABEL的id); loginname.value用户名; passwordie.document.getElementById(输…

MySQL windows安装

https://www.cnblogs.com/winton-nfs/p/11524007.html

现代物理学7大经典问题,你能理解几个?或许一个都不能理解

来源:搜狐新闻算法与数学之美相对论相对论是物理学中两大著名理论之一,两者都是阿尔伯特爱因斯坦提出的。1905年爱因斯坦出版了狭义相对论,后者确定最终宇宙速度极限:光速。并称时间因某物体移动的速度而实现加速或者减慢。1916年…

unity asset store下载不了_Unity手游实战:从0开始SLG——资源管理系统-基础篇(三)AssetBundle原理...

先用一句话介绍一下AssetBundle吧。AssetBundle系统提供了一种压缩文件的格式,可以把1到多个文件进行索引和序列化。Unity项目在交付安装之后,会通过AssetBundle对不包含代码的资源进行更新。这就允许开发人员先提交一个小的应用程序包,将运行…

《人月神话》阅读笔记(三)

我又一次在相关书籍看到了文档的重要性 数据的表现形式是编程的根本。创造出自精湛的技艺,精炼、充分和快速的程序也是如此。 技艺改进的结果往往是战略上的突破,而不仅仅是技巧上的提高。 这种战略上突破有时是一种新的算法,如快速傅里叶变…

matlab中GUIDE的UItable居中方法

需要借助JAVA,代码示意如下: import javax.swing.*; %导入javax.swing类 table findjobj(handles.uitable1); %需要findjobj.m文件,matlab中是没有的 table1 get(table,Viewport); jtable get(table1,View); renderer jtable.getCellRe…

MySQL Workbench运行脚本

首先在SCHEMAS区域右击,选择创建“create schema” 填入自定义名称,点击“apply” 在弹出来的框中点击“apply”,再在弹出来的框中点击finish 点击菜单栏“file”——“run SQL script”,选择sql文件,在下面选择刚刚创…

自动驾驶事故权威揭秘:算法和软件错误太多

本文来源:AutoR智驾自动驾驶发展就好比是登月计划。从传感器到人工智能,经典的电子供应链已经形成了一个协作矩阵,致力于实现自动驾驶车辆的安全性。为此,还需进行大量硬件和软件开发工作,以确保驾驶员、乘客和行人受到…

python元组求和_Python 列表和元组 - 学习笔记(持续更新)

1、append:在列表末尾添加新的对象 lst [1,2]; lst.append(3); lst :[1,2,3] 2、count:统计某个元素在列表中出现的次数 lst [1,1,[1,2],3]; ct lst.count(1); ct:2 3、extend:在列表末尾追加另一个列表的值 lst1 [1,2]; lst2 [3,4]; ls…

MySQL新建数据库和表

首先在MySQL Workbench上(如果没有的话建议安装一个)新建一个数据库 首先在SCHEMAS区域右击,选择创建“create schema” 填入自定义名称,点击“apply”,这里我命名为crashcourse 在弹出来的框中点击“apply”&#xf…

matlab绘图白边设定

最好提前设定好paper大小! 对于一个坐标轴,用下面这句即可: set(gca,looseInset,[0 0 0 0]);对于subplot,利用该函数 function [] RemoveSubplotWhiteArea(gca, sub_row, sub_col, current_row, current_col) % 设置OuterPosit…

Sprint2-3.0

后续安排 第16周周二晚7点之前将本代码上传到GITHUB.GITHUB地址:https://github.com/QueenIcey/teamwork/tree/master/eslife1周三上课时运行你们的系统给我观赏一下。根据博客,运行演示,github代码情况评定第二个冲刺的分数。至此&#xff0…

【微读书】《人工智能颠覆未来战争》连载之一:机器战胜人类?——AlphaGo人机对战的启示...

来源:中国指挥与控制学会编者按目前,人工智能技术正加速向军事领域渗透,军事智能化既面临千载难逢的发展机遇,也面临前所未有的挑战。如何加强风险研究和预判,防范重大风险,已经客观而现实地摆在我们面前。…