基于手写数字识别的FGSM

Fast Gradient Sign Attack(FGSM)

Fast Gradient Sign Attack（FGSM）用于生成对抗样本

算法原理参考：https://blog.csdn.net/ilalaaa/article/details/105963778

在现实生活中，往往改动一小部分数据将会对model的结果产生巨大的影响，那么我们需要将这种微小的变化考虑进model中，增强model的泛化能力。我们可以自主生成对抗样本，让model基于对抗样本和训练样本学习。

代码解释参考：https://blog.csdn.net/hg_zhh/article/details/100155785

github源码主要实现利用FGSM生成对抗样本，比较在不同ε下FGSM的攻击效果，最后绘图呈现结果。

github地址：https://github.com/fanjiarong2343/CNN_FGSM

关键代码
CNN神经网络构建：

class Net(nn.Module):
    def __init__(self, num_classes=10):
        super(Net, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(16),  # https://blog.csdn.net/bigFatCat_Tom/article/details/91619977 卷积层之后添加BatchNorm2d进行数据的归一化处理,这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.fc = nn.Linear(7 * 7 * 32, num_classes)

    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)
        out = self.fc(out)
        return F.log_softmax(out, dim=1)  # https://blog.csdn.net/qq_28418387/article/details/95918829

FGSM算法：

def fgsm_attack(image, epsilon, data_grad):
    """
    获取扰动图片
    :param image: 原始图片
    :param epsilon: 扰动量
    :param data_grad: 损失梯度
    :return:
    """
    sign_data_grad = data_grad.sign()  # 获取梯度的符号
    perturbed_image = image + epsilon * sign_data_grad
    perturbed_image = torch.clamp(perturbed_image, 0, 1)  # 将数值裁剪到0-1的范围内
    return perturbed_image

结论
Figure_1

Figure_2

Figure_3