advertorch Download - ดาวน์โหลดซอร์สโค้ด advertorch

advertorch

หลาม

1.0.0

ดาวน์โหลด

เป็นกล่องเครื่องมือ Python สำหรับการวิจัยความแข็งแกร่งของฝ่ายตรงข้าม ฟังก์ชันหลักจะถูกนำไปใช้ใน pytorch โดยเฉพาะ Adverch มีโมดูลสำหรับการสร้างการก่อกวนของฝ่ายตรงข้ามและการป้องกันตัวอย่างที่เป็นปฏิปักษ์รวมถึงสคริปต์สำหรับการฝึกอบรมฝ่ายตรงข้าม

เวอร์ชันล่าสุด (v0.2)

การติดตั้ง

การติดตั้งโฆษณาเอง

เราพัฒนาโฆษณาภายใต้ Python 3.6 และ Pytorch 1.0.0 & 0.4.1 ในการติดตั้งโฆษณาเพียงแค่เรียกใช้

 pip install advertorch

หรือโคลน repo และเรียกใช้

 python setup.py install

ในการติดตั้งแพ็คเกจในโหมด "แก้ไขได้":

 pip install -e .

การตั้งค่าสภาพแวดล้อมการทดสอบ

การโจมตีบางอย่างได้รับการทดสอบกับการใช้งานใน Foolbox หรือ Cleverhans เพื่อให้แน่ใจว่าถูกต้อง ปัจจุบันพวกเขาได้รับการทดสอบภายใต้ห้องสมุดที่เกี่ยวข้องรุ่นต่อไปนี้

 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

ตัวอย่าง

 # 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 )

สำหรับตัวอย่างที่รันได้โปรดดู advertorch_examples/tutorial_attack_defense_bpda_mnist.ipynb สำหรับวิธีการโจมตีและปกป้อง; ดู advertorch_examples/tutorial_train_mnist.py สำหรับวิธีการฝึกอบรมแบบจำลองที่แข็งแกร่งใน MNIST

เอกสาร

เว็บเพจเอกสารอยู่บน readthedocs https://advertorch.readthedocs.io

เร็วๆ นี้

โฆษณายังอยู่ระหว่างการพัฒนาที่ใช้งานอยู่ เราจะเพิ่มคุณสมบัติ/รายการต่อไปนี้ลงบนถนน:

ตัวอย่างเพิ่มเติม
สนับสนุนกรอบการเรียนรู้ของเครื่องอื่น ๆ เช่น TensorFlow
การโจมตีเพิ่มเติมการป้องกันและฟังก์ชันอื่น ๆ ที่เกี่ยวข้อง
รองรับรุ่น Python อื่น ๆ และรุ่น Pytorch ในอนาคต
แนวทางการสนับสนุน
-

ปัญหาที่รู้จัก

FastFeatureAttack และ JacobianSaliencyMapAttack ไม่ผ่านการทดสอบกับรุ่นของ Cleverhans ที่ใช้ (พวกเขาใช้เพื่อผ่านการทดสอบใน Cleverhans เวอร์ชันก่อนหน้า) ปัญหานี้กำลังถูกตรวจสอบ ในไฟล์ test_attacks_on_cleverhans.py พวกเขาถูกทำเครื่องหมายว่า "ข้าม" ในการทดสอบ pytest

ใบอนุญาต

โครงการนี้ได้รับใบอนุญาตภายใต้ LGPL ข้อกำหนดและเงื่อนไขสามารถพบได้ในไฟล์ License and License.gpl

การอ้างอิง

หากคุณใช้โฆษณาในการวิจัยของคุณเราขอให้คุณอ้างถึงรายงานทางเทคนิคต่อไปนี้:

 @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}
}