advertorch 다운로드 - advertorch 소스 코드 다운로드

advertorch

파이썬

1.0.0

다운로드

적대적 견고성 연구를위한 파이썬 도구 상자입니다. 주요 기능은 Pytorch에서 구현됩니다. 구체적으로, Advertorch에는 대적 섭동을 생성하고 적대적 예제에 대한 방어를위한 모듈, 대적 훈련을위한 스크립트도 포함되어 있습니다.

설치

Advertorch 자체 설치

우리는 Python 3.6과 Pytorch 1.0.0 & 0.4.1에 따라 Advertorch를 개발했습니다. Advertorch를 설치하려면 간단히 실행하십시오

 pip install advertorch

또는 repo를 복제하고 실행하십시오

 python setup.py install

"편집 가능한"모드로 패키지를 설치하려면 :

 pip install -e .

테스트 환경 설정

일부 공격은 Foolbox 또는 Cleverhans의 구현에 대해 테스트하여 정확성을 보장합니다. 현재 다음 버전의 관련 라이브러리에서 테스트됩니다.

 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

예

 # 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 )

실행 가능한 예는 advertorch_examples/tutorial_attack_defense_bpda_mnist.ipynb 공격하고 방어하는 방법에 대해서는 참조하십시오. MNIST에서 강력한 모델을 우선적으로 훈련시키는 방법은 advertorch_examples/tutorial_train_mnist.py 참조하십시오.

선적 서류 비치

문서 웹 페이지는 readthedocs https://advertorch.readthedocs.io에 있습니다.

곧 올 것입니다

Advertorch는 여전히 적극적으로 개발 중입니다. 우리는 다음과 같은 기능/항목을 추가 할 것입니다.

더 많은 예
다른 기계 학습 프레임 워크 (예 : Tensorflow)를 지원합니다
더 많은 공격, 방어 및 기타 관련 기능
다른 Python 버전 및 향후 Pytorch 버전을 지원합니다
기고 가이드 라인
...

알려진 문제

FastFeatureAttack 및 JacobianSaliencyMapAttack 사용 된 Cleverhans 버전에 대한 테스트를 통과하지 못합니다. (이전 버전의 Cleverhans에서 테스트를 통과하는 데 사용합니다.)이 문제는 조사 중입니다. test_attacks_on_cleverhans.py 파일에서 pytest 테스트에서 "건너 뛰기"로 표시됩니다.

특허

이 프로젝트는 LGPL에 따라 라이센스가 부여됩니다. 이용 약관은 라이센스 및 라이센스 .gpl 파일에서 찾을 수 있습니다.

소환

연구에서 Advertorch를 사용하는 경우 다음 기술 보고서를 인용하도록 친절하게 요청합니다.

 @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}
}