Скачать foolbox - Скачать исходный код foolbox

foolbox

Питон

Version 3.3.4

Скачать

Полем

Документация : Документация API можно найти в ReadThedocs.

QuickStart

pip install foolbox

Pourtbox тестируется с Python 3.8 и новее - однако, он, скорее всего, также будет работать с версией 3.6 - 3,8. Чтобы использовать его с помощью Pytorch, Tensorflow или JAX, соответствующая структура должна быть установлена отдельно. Эти рамки не объявляются как зависимости, потому что не все хотят использовать и, таким образом, устанавливают их все, и потому что некоторые из этих пакетов имеют разные сборки для разных архитектур и версий CUDA. Кроме того, все важные зависимости автоматически устанавливаются.

Вы можете увидеть версии, которые мы в настоящее время используем для тестирования в разделе совместимости ниже, но в целом новые версии будут работать.

? Пример

 import foolbox as fb

model = ...
fmodel = fb . PyTorchModel ( model , bounds = ( 0 , 1 ))

attack = fb . attacks . LinfPGD ()
epsilons = [ 0.0 , 0.001 , 0.01 , 0.03 , 0.1 , 0.3 , 0.5 , 1.0 ]
_ , advs , success = attack ( fmodel , images , labels , epsilons = epsilons )

Больше примеров можно найти в папке «Примеры», например, полный пример Resnet-18.

? Цитирование

Если вы используете Pourtbox для своей работы, пожалуйста, процитируйте нашу газету Joss On Pourtbox Native (т. Е. Pourtbox 3.0) и нашу бумагу ICML Workshop на Pourtbox, используя следующие записи Bibtex:

 @Article {rauber2017foolboxnative,
  doi = {10.21105/joss.02607},
  url = {https://doi.org/10.21105/joss.02607},
  Год = {2020},
  Publisher = {Open Journal},
  том = {5},
  number = {53},
  pages = {2607},
  Автор = {Jonas Rauber и Roland Zimmermann и Matthias Bethge и Wieland Brendel},
  title = {Pountbox Native: Быстрые состязательные атаки, чтобы сравнить надежность моделей машинного обучения в Pytorch, Tensorflow и Jax},
  Journal = {Журнал программного обеспечения с открытым исходным кодом}
}

@inproceedings {rauber2017foolbox,
  title = {pountbox: набор инструментов Python, чтобы сравнить надежность моделей машинного обучения},
  Автор = {Rauber, Jonas и Brendel, Wieland и Bethge, Matthias},
  BookTitle = {надежное машинное обучение в дикой мастерской, 34 -я Международная конференция по машинному обучению},
  Год = {2017},
  url = {http://arxiv.org/abs/1707.04131},
}

? Вклад

Мы приветствуем взносы всех видов, пожалуйста, посмотрите на наши руководящие принципы по развитию. В частности, вам предлагается внести новые состязательные атаки. Если вы хотите помочь, вы также можете взглянуть на проблемы, отмеченные взносами.

Вопросы?

Если у вас есть вопрос или нужна помощь, не стесняйтесь открывать проблему на GitHub. Как только дискуссии GitHub станут публичными, мы переключимся на это.