Download advertorch - download do código fonte advertorch

advertorch

Pitão

1.0.0

Baixar

é uma caixa de ferramentas Python para pesquisa de robustez adversária. As funcionalidades primárias são implementadas em Pytorch. Especificamente, o Advertorch contém módulos para gerar perturbações adversárias e defender contra exemplos adversários, também scripts para treinamento adversário.

Versão mais recente (v0.2)

Instalação

Instalando o próprio Advertorch

Desenvolvemos o Advertorch sob Python 3.6 e Pytorch 1.0.0 e 0.4.1. Para instalar o Advertorch, basta executar

 pip install advertorch

ou clonar o repositório e correr

 python setup.py install

Para instalar o pacote no modo "editável":

 pip install -e .

Configurando os ambientes de teste

Alguns ataques são testados contra implementações no Foolbox ou Cleverhans para garantir a correção. Atualmente, eles são testados nas seguintes versões das bibliotecas relacionadas.

 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

Exemplos

 # 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 )

Para exemplos executáveis, consulte advertorch_examples/tutorial_attack_defense_bpda_mnist.ipynb para como atacar e defender; Consulte advertorch_examples/tutorial_train_mnist.py para como treinar contraditório um modelo robusto no mnist.

Documentação

A página da documentação está no ReadThedocs https://advertorch.readthedocs.io.

Em breve

Advertorch ainda está em desenvolvimento ativo. Adicionaremos os seguintes recursos/itens no futuro:

Mais exemplos
Suporte para outras estruturas de aprendizado de máquina, por exemplo, Tensorflow
Mais ataques, defesas e outras funcionalidades relacionadas
Suporte para outras versões Python e futuras versões de Pytorch
diretrizes contribuintes
...

Questões conhecidas

FastFeatureAttack e JacobianSaliencyMapAttack não passam nos testes contra a versão de Cleverhans usada. (Eles costumam passar testes em uma versão anterior de Cleverhans.) Este problema está sendo investigado. No arquivo test_attacks_on_cleverhans.py , eles são marcados como "ignorados" nos testes pytest .

Licença

Este projeto está licenciado sob o LGPL. Os termos e condições podem ser encontrados nos arquivos License and License.GPL.

Citação

Se você usa o Advertorch em sua pesquisa, pedimos gentilmente que você cite o seguinte relatório técnico:

 @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}
}