Cifar10 生成对抗样本

### 针对 CIFAR-10 数据集的对抗样本，通常可以使用多种方法和技术。以下是基于现有研究和实践的一种常见方式： #### 准备工作环境 首先需要安装必要的库来处理图像数据以及构建神经网络模型。 ```bash pip install torch torchvision numpy matplotlib ``` 接着加载所需的 Python 库，并设置设备（CPU 或 GPU）以便加速计算过程[^2]。 ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader device = 'cuda' if torch.cuda.is_available() else 'cpu' print(f'Device set to {device}') ``` #### 加载 CIFAR-10 数据集 定义转换函数以标准化输入图片尺寸，并创建训练集与测试集的数据加载器对象。 ```python transform = transforms.Compose([ transforms.ToTensor(), ]) train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) batch_size = 64 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) ``` #### 构建预训练分类模型 这里假设已经有一个经过良好训练的 ResNet 模型用于识别 CIFAR-10 图像类别。如果还没有这样的模型，则可以从头开始训练或下载一个预先训练好的版本。 ```python model = torchvision.models.resnet18(pretrained=False).to(device) num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, 10).to(device) # 修改最后一层适应CIFAR-10的10个类别 # 如果有现成权重则加载之... checkpoint = torch.load('path_to_pretrained_model.pth') model.load_state_dict(checkpoint['state_dict']) model.eval() ``` #### 实施 FGSM 攻击算法 快速梯度符号法 (Fast Gradient Sign Method, FGSM) 是一种简单而有效的白盒攻击技术，它通过向原始图像添加微小扰动来误导目标模型做出错误预测。 下面展示了如何实现这一策略的具体代码片段: ```python def fgsm_attack(image, epsilon, data_grad): sign_data_grad = data_grad.sign() perturbed_image = image + epsilon * sign_data_grad perturbed_image = torch.clamp(perturbed_image, 0, 1) return perturbed_image epsilon = 0.05 # 扰动强度参数 for images, labels in test_loader: images, labels = images.to(device), labels.to(device) images.requires_grad = True outputs = model(images) _, preds = torch.max(outputs, dim=1) loss = F.cross_entropy(outputs, labels) model.zero_grad() loss.backward() data_grad = images.grad.data perturbed_images = fgsm_attack(images, epsilon, data_grad) break # 只做一次演示即可 ``` 上述代码实现了单次批量大小内的对抗样本生成操作；实际应用时可以根据需求调整 `epsilon` 参数控制扰动力度，并迭代整个测试集合完成更多样化的实验分析。