对抗样本生成算法-FGSM、I-FGSM、ILCM、PGD

一、FGSM(Fast Gradient Sign Method)

1.FGSM基本思想

Fast gradient sign method缩写为FGSM，其思想来源于“随机梯度下降使得模型对于输入图像输出的损失函数值变小，从而使网络输出正确的预测，那么如果将计算得出的损失值加到输入图像上，使得网络输出的损失值变大，即可使网络趋向于输出错误的预测结果”。

2.FGSM算法流程

需要进行对抗样本生成的原始图片$x_{ori}$，其标签为$y$，一个良好的分类模型$M$，分类模型$M$的参数$\theta$，同时需要使用FGSM生成一个攻击噪声$\eta$。
首先使用分类模型$M$对输出$x_{ori}$进行一个前向传播，可以计算ß出损失函数值${\nabla }_{x_{ori}}J(\theta ,x_{ori},y)$，因为损失计算得到的雅可比矩阵的元素大小不均，所以为了控制损失值的无穷范数（每一个像素的损失值的最大值），所以使用符号函数$sign()$提取梯度的方向，而不是用梯度的值，同时我们使用一个参数$\epsilon$来控制攻击噪声的幅值，满足${\Vert \eta \Vert }_{\infty }<\epsilon$。

综上
$$\eta =\epsilon sign({\nabla }_{x_{ori}}J(\theta ,x_{ori},y))\text{\hspace{1em}(1.1)}$$随后，将原图加上攻击噪声$\eta$即可得到原始图片$x_{ori}$的对抗样本$x_{adv}$
$$x_{adv}$$