Keras 写我自己的FGSM对抗性攻击总是给零干扰
我想写一个简单的针对MNIST的FGSM攻击。我尝试了傻瓜库，它似乎可以工作，但FGSM非常慢（可能是因为它搜索的是最小eps/扰动，这会给出不同的目标标签）。我开始写我自己的，我的代码总是给我零干扰。也就是说，如果我绘制x_对抗图，它与x_输入相同。我检查了梯度计算是否导致所有零矩阵。计算出的损失函数很小，但我认为这个损失函数有一些梯度。谁能帮帮我吗？我绞尽脑汁已经一个星期了，没有任何进展。再次感谢Keras 写我自己的FGSM对抗性攻击总是给零干扰,keras,generative-adversarial-network,Keras,Generative Adversarial Network,我想写一个简单的针对MNIST的FGSM攻击。我尝试了傻瓜库，它似乎可以工作，但FGSM非常慢（可能是因为它搜索的是最小eps/扰动，这会给出不同的目标标签）。我开始写我自己的，我的代码总是给我零干扰。也就是说，如果我绘制x_对抗图，它与x_输入相同。我检查了梯度计算是否导致所有零矩阵。计算出的损失函数很小，但我认为这个损失函数有一些梯度。谁能帮帮我吗？我绞尽脑汁已经一个星期了，没有任何进展。再次感谢 导入tensorflow作为tf 将numpy作为np导入 进口傻瓜箱 将tensorflo
导入tensorflow作为tf
将numpy作为np导入
进口傻瓜箱
将tensorflow.keras.backend作为K导入
将matplotlib.pyplot作为plt导入
#导入包含模型和图层的所需Keras模块
从tensorflow.keras.models导入顺序
从tensorflow.keras.layers导入稠密、Conv2D、脱落、展平、MaxPoolig2D
（x_列，y_列），（x_测试，y_测试）=tf.keras.datasets.mnist.load_data（）
数字到分类=10
x_-train=x_-train.重塑（x_-train.形状[0]，28，28，1）
x_测试=x_测试。重塑（x_测试。形状[0]，28，28，1）
输入_形状=（28,28,1）
#确保这些值是浮动的，这样我们可以在除法后得到小数点
x_-train=x_-train.astype（'float32'）
x_test=x_test.astype（'float32'）
#通过将RGB代码除以最大RGB值来规范化RGB代码。
x_列/=255
x_检验/=255
打印（'x_列形状：'，x_列形状）
打印（'x_列中的图像数'，x_列.shape[0]）
打印（'x_测试中的图像数'，x_测试.形状[0]）
def create_model_deep（）：
模型=顺序（）
添加（Conv2D（32，内核大小=（5,5），激活='relu'，输入形状=输入形状））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学（0.2））
add（Conv2D（64，内核大小=（5,5），activation='relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学（0.2））
model.add（展平（））#展平完全连接层的二维阵列
添加（密集（128，activation='relu'））
模型。添加（辍学（0.2））
添加（密集（数字到分类，激活='softmax'））
model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
回归模型
model=create_model_deep（）
model.summary（）
模型拟合（x=x\u列，y=y\u列，历代=10）
模型评估（x_检验，y_检验）
##########################傻瓜箱FGSM攻击###############################################
从keras.backend导入设置\u学习\u阶段
设置学习阶段（0）
从傻瓜箱。标准导入错误分类
fmodel=whoolbox.models.TensorFlowModel.from_keras（model，bounds=（0,1））
攻击=傻瓜箱.attacks.FGSM（fmodel，criteria=Misclassification（））
fgsm_误差=0.0
对于范围内的i（x_检验形状[0]）：
如果i%1000==0：
印刷品（一）
敌对=攻击（x_测试[i]，y_测试[i]）
如果“对抗性”不是“无”：
对抗性=对抗性。重塑（1,28,28,1）
模型预测=模型预测（对抗性）
label=np.argmax（模型预测）
如果标签！=y_检验[i]：
fgsm_误差=fgsm_误差+1.0
fgsm_error=fgsm_error/x_test.shape[0]
##########################我自己的FGSM攻击###############################################
sess=K.获取会话（）
每股收益=0.3
x_adv=tf.placeholder（tf.float32，shape=（1,28,28,1），name=“adv_示例”）
x_noise=tf.placeholder（tf.float32，shape=（1,28,28,1），name=“adv_noise”）
x_输入=x_测试[0]。重塑（1,28,28,1）
y_输入=y_测试[0]
def损失（y_真实，y_预测）：
返回K.sparse\u categorical\u crossentropy（y\u true，y\u pred）
梯度=K.梯度（损耗fn（输入，模型输出，模型输入）
增量=K符号（梯度[0]）
x_噪声=x_噪声+增量
x_adv=x_adv+eps*delta
x_adv=K.clip（x_adv，0.0,1.0）
x_adv，x_noise，grad=sess.run（[x_adv，x_noise，grad]，feed_dict={model.input:x_input，x_adv:x_input，x_noise:np.zeros_like（x_input）}）
pred=模型预测（x_adv）
sess=K.获取会话（）
每股收益=0.3
i=100
x_输入=x_测试[i]。重塑（1,28,28,1）
y_输入=y_测试[i]
x_adv=x_输入
#附加噪声
x_噪声=np.类零（x_输入）
def损失（y_真实，y_预测）：
目标=K.1_热（y_真，10）
损失=K.分类交叉熵（目标，y\u pred）
回波损耗
#loss=K.print\u张量（loss，message='loss='））
#返回K.sparse\u categorical\u crossentropy（y\u true，y\u pred）
def损耗fn稀疏（y_真，y_pred）：
损失=K.稀疏\分类\交叉熵（y \真，y \ pred）
回波损耗
image=K.cast（x_输入，dtype='float32'）
y_pred=模型（图像）
损耗=损耗\u fn\u稀疏（y\u输入，y\u pred）
梯度=K.梯度（损失、图像）
增量=K符号（梯度[0]）
x_噪声=x_噪声+增量
x_adv=x_adv+eps*delta
x_adv=K.clip（x_adv，0.0,1.0）
x_adv，x_noise=sess.run（[x_adv，x_noise]，feed_dict={model.input:x_input}）
pred=模型预测（x_adv）