3月29日毕设准备
前期提出的需要解决问题:
1、制作数据集
2、批量生存对抗样本
3、编写实现文件夹名字转换成label的函数
4、对抗训练(耗时可能很长,需要尽快实现)
5、编写对抗攻击的准确率统计函数。
6、学会用pytroch搭建几个典型模型。
7、学会下载模型已有参数(已下在/root/.cache/torch/hub/checkpoints/里一个)
这7个我一起解决了No.7和No.6,我通过pytorch自带有一些高级的复杂模型,我们可以通过 torchvision.models 调用,例如torchvision.models.densenet169(pretrained=True)就调用了densenet169的预训练模型。就可以下载参数以及模型,再直接跑就可以
No.3简单的通过
key_list=[]
value_list=[]
for key,value in idx_to_label.items():
key_list.append(key)
value_list.append(value)
get_value = imagnet_data.classes[0]
print(imagnet_data.classes[0])
if get_value in value_list:
get_value_index = value_list.index(get_value)
print("你要查询的值对应的键为:%s" %key_list[get_value_index])
获取label对应字典中的根据值获取对应的键值,这样再通过
for atk in atks :
print("-"*70)
print(atk)
correct = 0
total = 0
start = time.time()
for images, labels in data_loader:
print(labels.type)
labels[0]=388
adv_images = atk(images, labels)
labels = labels.to(device)
outputs = model(adv_images)
_, pre = torch.max(outputs.data, 1)
print("labels",labels)
total += 1
print(pre)
correct += (pre == labels).sum()
#imshow(torchvision.utils.make_grid(adv_images.cpu().data, normalize=True), [imagnet_data.classes[i] for i in pre])
#print(imagnet_data.classes[i] for i in pre)
print('Total elapsed time (sec): %.2f' % (time.time() - start))
print('Robust accuracy: %.2f %%' % (100 * float(correct) / total))
plt.show()
把labels的值改为tensor([388],…)简单实现了鲁棒性出现100%的情况。
还剩问题:
1、制作数据集
2、批量生存对抗样本
3、完善编写实现文件夹名字转换成label的函数
4、对抗训练(耗时可能很长,需要尽快实现)
5、编写对抗攻击的准确率统计函数。