DeepGlint AI编程练习赛——对抗性攻击(详解，python)_github 游戏ai对抗训练-优快云博客

本文详细介绍了如何使用Python实现神经网络的正向传播过程，包括ReLU激活函数、softmax函数以及全连接层的运算。作者通过DeepGlintAI编程练习赛中的对抗性攻击问题，展示了如何遍历输入向量寻找敏感点，以改变网络预测结果。代码实现过程中，作者手动实现了矩阵操作，避免使用numpy等库，增加了代码理解难度。

DeepGlint AI编程练习赛——对抗性攻击(详解，python)
在这里插入图片描述
做这道题，只想做自己明明不那么优秀，还那么自信！各位大哥大姐，只有40分，40分，40分，不喜勿喷
这道题，我差点差点没背过气来，做了千万遍，最后发现可以用函数。好了言归正传。

先来一遍正向传播吧，
Y= AX + B
题目把B去掉了，
感谢出题人
好感谢完之后，我们先看下是不是 [1, 8] [8, 4] , [4,10]
的鬼样子呢？
那必须是？看不懂吗？那就是输出一个10维的向量啊，用于分类。
好，那接下来写函数吧，
在这里插入图片描述
不管三七二十一，先把两个函数写出来。

def Relu(vector):
    res = []
    for v in vector:
        res.append(v if v > 0 else 0)
    return res

def softmax(vector):
    res = []
    max_v = max(vector)
    for v in vector:
        res.append(math.exp(v - max_v))
    res_sum = sum(res)
    return [r / res_sum for r in res]

函数搞定，接下来怎么办呢？np.reshpe(),调用包是一件多么开心的事啊，可惜，一口老血。自己搞来吧！
简单粗暴，一个一个拿这个总没问题吧，向量转矩阵了

def V_C(data, rows, cols):
    new_data = []
    for r in range(rows):
        row_data = []
        for c in range(cols):
            row_data.append(data[r * cols + c])
        new_data.append(row_data)
    return new_data

好，最重要的一步来了，还记不记得kears， pytorch 中的全连接层，是不是感觉，造轮子的人真可爱。我么能不能也可爱一下下。奥特曼附身，我们也可以，哈哈。

def Full_c(vector, matrix):
    res = []
    for row in matrix:
        tmp = 0
        for i in range(len(vector)):
            tmp += (row[i] * vector[i])
        res.append(tmp)
    return res

到这里是不是发现了一个很严重的问题，我一直在创空间，看来完犊子了。先写吧，皮卡丘。
喜不喜欢我们曾经写的net函数

def net(x):
    a = Full_c(x, w1)
    r = Relu(a)
    z = Full_c(r, w2)
    y = softmax(z)
    return y

到此为止正向传播的函数全部完成。
接下来我们看
在这里插入图片描述
由题我们可以看出来，此时要分两种情况去讨论：
一：修改后发生改变
二：修改后不发生改变

第一步是找出，当前预测的最大值，以及最大值的索引

max_val = max(y)
max_idx = y.index(max_val)

接下来就是遍历了，

for n in range(N):
    x_new = copy.deepcopy(x)
    for ii in range(-128, 128):
        if x[n] == ii:
            continue
        x_new[n] = ii
        y = net(x_new)
        new_max_val = max(y)
        new_max_idx = y.index(new_max_val)
        if (not new_max_idx == max_idx) and new_max_val > new_max_val_record:
            new_max_val_record = new_max_val
            new_max_idx_record = (n + 1)
            sensitive_ii = ii
        new_val_of_old_max_idx = y[max_idx]
        if new_val_of_old_max_idx < val_of_old_max_idx:
            val_of_old_max_idx = new_val_of_old_max_idx
            no_change_sensitive_ii = ii

遍历好了，就输出吧。

再附上全部代码，以供参考，也恳请各位小哥哥，小姐姐，私信带来一个满分的解💯

import math
import copy

def V_C(data, rows, cols):
    new_data = []
    for r in range(rows):
        row_data = []
        for c in range(cols):
            row_data.append(data[r * cols + c])
        new_data.append(row_data)
    return new_data

def Full_c(vector, matrix):
    res = []
    for row in matrix:
        tmp = 0
        for i in range(len(vector)):
            tmp += (row[i] * vector[i])
        res.append(tmp)
    return res

def Relu(vector):
    res = []
    for v in vector:
        res.append(v if v > 0 else 0)
    return res

def softmax(vector):
    res = []
    max_v = max(vector)
    for v in vector:
        res.append(math.exp(v - max_v))
    res_sum = sum(res)
    return [r / res_sum for r in res]
def net(x):
    a = Full_c(x, w1)
    r = Relu(a)
    z = Full_c(r, w2)
    y = softmax(z)
    return y


N, M = list(map(int, input().strip().split()))
x = list(map(int, input().strip().split()))
w1 = list(map(float, input().strip().split()))
w1 = V_C(w1, M, N)
w2 = list(map(float, input().strip().split()))
w2 = V_C(w2, 10, M)


y = net(x)

max_val = max(y)
max_idx = y.index(max_val)

new_max_val_record = -10
new_max_idx_record = -1
sensitive_ii = -129

val_of_old_max_idx = 10
no_change_sensitive_ii = -129
for n in range(N):
    x_new = copy.deepcopy(x)
    for ii in range(-128, 128):
        if x[n] == ii:
            continue
        x_new[n] = ii
        y = net(x_new)
        new_max_val = max(y)
        new_max_idx = y.index(new_max_val)
        if (not new_max_idx == max_idx) and new_max_val > new_max_val_record:
            new_max_val_record = new_max_val
            new_max_idx_record = (n + 1)
            sensitive_ii = ii
        new_val_of_old_max_idx = y[max_idx]
        if new_val_of_old_max_idx < val_of_old_max_idx:
            val_of_old_max_idx = new_val_of_old_max_idx
            no_change_sensitive_ii = ii

if not (new_max_idx_record == -1 and sensitive_ii == -129):
    print(new_max_idx_record, sensitive_ii)
else:
    print(max_idx, no_change_sensitive_ii)