【对抗样本】【FGSM】Explaining and Harnessing Adversarial Examples 代码复现

原创

已于 2024-06-12 14:45:02 修改 · 1k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#FGSM

于 2024-06-12 14:44:14 首次发布

简介

参考Pytorch官方的代码Adversarial Example Generation

参数设置(main.py)

# 模型选择：GPU
device = 'mps' if torch.backends.mps.is_available() else 'cpu'
# 数据集位置
dataset_path = '../../../Datasets'
batch_size = 1
shuffle = True
download = False
# 学习率
learning_rate = 0.001
# 预训练模型位置
model_path = "../../../Pretrained_models/Model/MNISTModel_9.pth"

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,)),
    transforms.Grayscale(),
])
# 扰动参数
epsilons = [0, .05, .1, .15, .2, .25, .3]

device:用于选择训练设备，本人是mac m1的电脑，所以使用mps训练
dataset_path:指定数据集路径
batch_size:用于DataLoader，判断每次抓取数据的数量
shuffle:用于DataLoader，判断是否洗牌
download:判断数据集是否下载
learning_rate:设置学习率
model_path:指定预训练模型路径
transform:指定数据集转化规则，用于对数据集中输入的图像进行预处理
- ToTensor:转化为Tensor数据类型，同时将图片进行归一化
- Normalize:正则化
- Grayscale:转化为灰度图像
epsilons:设置扰动参数，用于测试不同扰动的对抗样本的正确率

对抗样本代码主流程(main.py)

因为习惯了C++的语法，还是喜欢定义main函数，比较直观哈哈哈哈哈
主要分为三步

对数据的生成与预处理

if __name__ == '__main__':
    # 1.预处理
    train_dataset = datasets.MNIST(dataset_path, train=True, download=download, transform=transform)
    val_dataset = datasets.MNIST(dataset_path, train=False, download=download, transform=transform)

    train_DataLoader = DataLoader(train_dataset, batch_size=batch_size, shuffle=shuffle)
    val_DataLoader = DataLoader(val_dataset, batch_size=batch_size, shuffle=shuffle)

    model = torch.load(model_path).to(device)

数据集生成
DataLoader 生成
预训练模型加载

开始测试

    # 2.开始测试
    # 记录不同扰动下的准确度
    accuracies = []
    # 记录样本
    examples = []

    # 对每个epsilon运行测试
    for eps in epsilons:
        # 进行对抗样本攻击
        acc, ex = test(model, device, val_DataLoader, eps)