9.5.2 在Cleverhans中使用FGSM演演算法

9.5.2在Cleverhans中使用FGSM演演算法

下面我們以MNIST為例介紹如何在Cleverhans中使用FGSM演演算法，代碼路徑為：

https://github.com/duoergun0729/adversarial_examples/blob/master/code/9-cleverhans-mnist-fgsm.ipynb

首先載入需要使用的Python庫，使用的深度學習框架為TensorFlow。Cleverhans中對攻擊演演算法的封裝在cleverhans.attacks中，識別MNIST的模型使用ModelBasicCNN。

importlogging

importnumpyasnp

importtensorflowastf

fromcleverhans.lossimportCrossEntropy

fromcleverhans.datasetimportMNIST

fromcleverhans.utils_tfimportmodel_eval

fromcleverhans.trainimporttrain

fromcleverhans.attacksimportFastGradientMethod

fromcleverhans.utilsimportAccuracyReport,set_log_level

fromcleverhans_tutorials.tutorial_modelsimportModelBasicCNN

定義全局變數，其中包括訓練的輪數、批處理的大小、學習速率和CNN模型的卷積核個數。

#定義全局變數

NB_EPOCHS=6

BATCH_SIZE=128

LEARNING_RATE=0.001

CLEAN_TRAIN=True

BACKPROP_THROUGH_ATTACK=False

NB_FILTERS=64

獲取MNIST數據集的訓練集和測試集，以及圖像數據的長寬及通道數據。

#獲取MNIST數據

mnist=MNIST(train_start=train_start,train_end=train_end,

test_start=test_start,test_end=test_end)

x_train,y_train=mnist.get_set('train')

x_test,y_test=mnist.get_set('test')

#使用圖像參數

img_rows,img_cols,nchannels=x_train.shape[1:4]

nb_classes=y_train.shape[1]

定義模型的輸入tensor以及訓練參數。

#定義輸入的TFplaceholder

x=tf.placeholder(tf.float32,shape=(None,img_rows,img_cols,

nchannels))

y=tf.placeholder(tf.float32,shape=(None,nb_classes))

#訓練一個MNIST模型

train_params={

'nb_epochs':nb_epochs,

'batch_size':batch_size,

'learning_rate':learning_rate

}

定義校驗函數，其中preds代表預測結果的tensor，y_set代表數據集x_set對應的真實標籤。在TensorFlow環境下，session載入了預先定義的計算圖，輸入x_set后，preds即為對應的預測結果。

defdo_eval(preds,x_set,y_set,report_key,is_adv=None):

acc=model_eval(sess,x,y,preds,x_set,y_set,args=eval_params)

setattr(report,report_key,acc)

ifis_advisNone:

report_text=None

elifis_adv:

report_text='adversarial'

else:

report_text='legitimate'

ifreport_text:

print('Testaccuracyon%sexamples:%0.4f'%(report_text,acc))

使用ModelBasicCNN在訓練集上進行訓練，損失函數使用交叉熵。訓練完畢后，在測試集上進行驗證。

model=ModelBasicCNN('model1',nb_classes,nb_filters)

preds=model.get_logits(x)

loss=CrossEntropy(model,smoothing=label_smoothing)

defevaluate():

do_eval(preds,x_test,y_test,'clean_train_clean_eval',False)

train(sess,loss,x_train,y_train,evaluate=evaluate,

args=train_params,rng=rng,var_list=model.get_params())

#計算訓練誤差

iftesting:

do_eval(preds,x_train,y_train,'train_clean_train_clean_eval')

經過6輪訓練后，在測試集上獲得了99.29%的準確率。

Testaccuracyonlegitimateexamples:0.9929

設置FGSM的攻擊參數，並初始化FastGradientMethod對象，使用測試集生成對抗樣本，並使用訓練好的ModelBasicCNN對生成的對抗樣本進行預測。

fgsm_params={

'eps':0.3,

'clip_min':0.,

'clip_max':1.

}

#初始化FastGradientMethod對象

fgsm=FastGradientMethod(model,sess=sess)

adv_x=fgsm.generate(x,**fgsm_params)

preds_adv=model.get_logits(adv_x)

#EvaluatetheaccuracyoftheMNISTmodelonadversarialexamples

do_eval(preds_adv,x_test,y_test,'clean_train_adv_eval',True)

預測結果表明，ModelBasicCNN僅能正確識別14.32%的對抗樣本。

Testaccuracyonadversarialexamples:0.1432