DiffAttack项目安装与配置指南

DiffAttack项目安装与配置指南

DiffAttack An unrestricted attack based on diffusion models that can achieve both good transferability and imperceptibility. 项目地址: https://gitcode.com/gh_mirrors/di/DiffAttack

1. 项目基础介绍

DiffAttack是一个基于扩散模型的不受限攻击方法，旨在生成既不易被人类视觉感知又具有良好迁移性的对抗样本。该项目是官方实现的DiffAttack方法，主要使用了Python编程语言。

2. 关键技术和框架

• 扩散模型：DiffAttack利用了扩散模型在生成和判别方面的能力，通过在扩散模型的潜在空间中构建扰动，生成语义相关的对抗样本。
• Python：项目主要使用Python 3.8进行开发。
• 深度学习框架：项目依赖于PyTorch等深度学习框架进行模型的训练和测试。

3. 安装和配置准备工作

硬件要求

• GPU：至少16GB显存的高端NVIDIA GPU。

软件要求

• Python：3.8版本。
• CUDA：11.3版本。
• cuDNN：8.4.1版本。

环境准备

1. 安装Python 3.8。
2. 安装CUDA 11.3和对应版本的cuDNN。
3. 安装Git以便克隆项目代码。

安装步骤

1. 克隆项目到本地：

   git clone https://github.com/WindVChen/DiffAttack.git
   cd DiffAttack
   

2. 安装项目所需的Python库：

   pip install -r requirements.txt
   

3. 准备数据集：

   • 项目中提供了演示数据集，可以直接运行优化代码查看结果。
   • 如果要测试完整的ImageNet-Compatible数据集，需要下载相应的数据集，并在main.py中设置--images_root和--label_path。

4. 准备预训练模型：

   • 项目使用Stable Diffusion 2.0作为扩散模型，可以在main.py中设置--pretrained_diffusion_path加载预训练权重。
   • 对于论文中提到的对抗训练模型（Adv-Inc-v3, Inc-v3 ens3, Inc-v3 ens4, IncRes-v2 ens等），可以从指定链接下载预训练权重，并将它们放置在pretrained_models目录下。

5. 运行示例：

   • 要生成对抗样本，可以运行以下命令：

     python main.py --model_name <surrogate model> --save_dir <save path> --images_root <clean images' path> --label_path <clean images' label.txt>
     

     其中<surrogate model>是支持的替代模型名称，<save path>是保存对抗样本的路径，<clean images' path>是干净图像的路径，<clean images' label.txt>是干净图像的标签文件路径。

   • 如果要在其他数据集上生成对抗样本，可以使用--dataset_name参数指定数据集名称，例如cub_200_2011或standford_car。

以上步骤即为DiffAttack项目的详细安装和配置指南，按照这些步骤操作，即可成功搭建并运行该项目。

DiffAttack An unrestricted attack based on diffusion models that can achieve both good transferability and imperceptibility. 项目地址: https://gitcode.com/gh_mirrors/di/DiffAttack