【亲测免费】 CIFAR10 对抗样本挑战项目教程

1. 项目目录结构及介绍

cifar10_challenge/
├── cifar10_data/
│   └── ...
├── .gitignore
├── LICENSE
├── README.md
├── cifar10_input.py
├── config.json
├── eval.py
├── fetch_model.py
├── model.py
├── model_robustml.py
├── pgd_attack.py
├── run_attack.py
└── train.py

目录结构说明

• cifar10_data/: 存放CIFAR10数据集的目录。
• .gitignore: Git忽略文件，指定哪些文件或目录不需要被Git管理。
• LICENSE: 项目的开源许可证文件。
• README.md: 项目的介绍文档，通常包含项目的概述、安装和使用说明。
• cifar10_input.py: 处理CIFAR10数据输入的脚本。
• config.json: 项目的配置文件，包含各种参数设置。
• eval.py: 用于评估模型的脚本，通常与训练脚本并行运行。
• fetch_model.py: 用于下载预训练模型的脚本。
• model.py: 定义神经网络模型的脚本。
• model_robustml.py: 定义用于对抗训练的模型脚本。
• pgd_attack.py: 生成对抗样本的脚本。
• run_attack.py: 运行对抗攻击并评估模型在对抗样本上的表现的脚本。
• train.py: 训练神经网络模型的脚本。

2. 项目启动文件介绍

train.py

train.py 是项目的启动文件之一，用于训练神经网络模型。运行该脚本将开始训练过程，并在训练过程中保存检查点。

python train.py

eval.py

eval.py 是另一个启动文件，用于评估模型的性能。该脚本通常与 train.py 并行运行，处理每个新的检查点并记录摘要。

python eval.py

pgd_attack.py

pgd_attack.py 用于生成对抗样本，并将生成的对抗样本保存为 .npy 文件。该文件可以用于提交对抗攻击。

python pgd_attack.py

run_attack.py

run_attack.py 用于运行对抗攻击并评估模型在对抗样本上的表现。该脚本会验证对抗样本的有效性，并评估模型的准确性。

python run_attack.py

3. 项目的配置文件介绍

config.json

config.json 是项目的配置文件，包含各种参数设置。以下是配置文件的部分内容示例：

{
  "batch_size": 128,
  "learning_rate": 0.001,
  "num_epochs": 100,
  "epsilon": 8.0,
  "model_path": "models/model.ckpt"
}

配置文件参数说明

• batch_size: 训练时的批量大小。
• learning_rate: 学习率，控制模型参数更新的步长。
• num_epochs: 训练的总轮数。
• epsilon: 对抗攻击中允许的最大像素扰动值。
• model_path: 模型检查点的保存路径。

通过修改 config.json 文件中的参数，可以调整训练和评估过程中的各种设置。