Téléchargement advertorch - Téléchargement du code source advertorch

advertorch

Python

1.0.0

Télécharger

est une boîte à outils Python pour la recherche sur la robustesse adversaire. Les fonctionnalités principales sont implémentées dans Pytorch. Plus précisément, Publiorch contient des modules pour générer des perturbations adversaires et défendre contre des exemples adversaires, également des scripts pour une formation contradictoire.

Dernière version (v0.2)

Installation

Installation de l'annonce elle-même

Nous avons développé Publiorch sous Python 3.6 et Pytorch 1.0.0 et 0.4.1. Pour installer Publiorch, exécutez simplement

 pip install advertorch

ou cloner le repo et courir

 python setup.py install

Pour installer le package en mode "modifiable":

 pip install -e .

Configuration des environnements de test

Certaines attaques sont testées contre les implémentations dans Foolbox ou Cleverhans pour assurer l'exactitude. Actuellement, ils sont testés sous les versions suivantes des bibliothèques connexes.

 conda install -c anaconda tensorflow-gpu==1.11.0
pip install git+https://github.com/tensorflow/cleverhans.git@336b9f4ed95dccc7f0d12d338c2038c53786ab70
pip install Keras==2.2.2
pip install foolbox==1.3.2

Exemples

 # prepare your pytorch model as "model"
# prepare a batch of data and label as "cln_data" and "true_label"
# ...

from advertorch . attacks import LinfPGDAttack

adversary = LinfPGDAttack (
    model , loss_fn = nn . CrossEntropyLoss ( reduction = "sum" ), eps = 0.3 ,
    nb_iter = 40 , eps_iter = 0.01 , rand_init = True , clip_min = 0.0 , clip_max = 1.0 ,
    targeted = False )

adv_untargeted = adversary . perturb ( cln_data , true_label )

target = torch . ones_like ( true_label ) * 3
adversary . targeted = True
adv_targeted = adversary . perturb ( cln_data , target )

Pour les exemples de runnable, voir advertorch_examples/tutorial_attack_defense_bpda_mnist.ipynb pour comment attaquer et défendre; Voir advertorch_examples/tutorial_train_mnist.py pour comment former adversarialement un modèle robuste sur MNIST.

Documentation

La page Web de documentation est sur ReadTheDocs https://advertorch.readthedocs.io.

À venir

Le publicité est toujours en cours de développement actif. Nous ajouterons les fonctionnalités / articles suivants sur la route:

Plus d'exemples
Prise en charge d'autres cadres d'apprentissage automatique, par exemple Tensorflow
Plus d'attaques, de défenses et d'autres fonctionnalités connexes
Prise en charge des autres versions Python et des futures versions Pytorch
Lignes directrices contributives
...

Problèmes connus

FastFeatureAttack et JacobianSaliencyMapAttack ne réussissent pas les tests contre la version de Cleverhans utilisée. (Ils utilisent pour passer des tests sur une version précédente de Cleverhans.) Ce problème est en cours d'études. Dans le fichier test_attacks_on_cleverhans.py , ils sont marqués comme "ignorés" dans les tests pytest .

Licence

Ce projet est autorisé en vertu du LGPL. Les termes et conditions peuvent être trouvés dans les fichiers de licence et de licence.gpl.

Citation

Si vous utilisez Publicorch dans vos recherches, nous vous demandons de citer le rapport technique suivant:

 @article{ding2019advertorch,
  title={{AdverTorch} v0.1: An Adversarial Robustness Toolbox based on PyTorch},
  author={Ding, Gavin Weiguang and Wang, Luyu and Jin, Xiaomeng},
  journal={arXiv preprint arXiv:1902.07623},
  year={2019}
}