AI 安全之对抗样本入门 (14):深度学习基础知识 1.4&1.4.1

阅读数:8 2019 年 11 月 30 日 15:00

AI安全之对抗样本入门(14):深度学习基础知识 1.4&1.4.1

(常见性能衡量指标)

内容简介
第 1 章介绍了深度学习的基础知识,重点介绍了与对抗样本相关的梯度、优化器、反向传递等知识点。
第 2 章介绍了如何搭建学习对抗样本的软硬件环境,虽然 GPU 不是必需的,但是使用 GPU 可以更加快速地验证你的想法。
第 3 章概括介绍了常见的深度学习框架,从 TensorFlow、Keras、PyTorch 到 MXNet。
第 4 章介绍了图像处理领域的基础知识,这部分知识对于理解对抗样本领域的一些常见图像处理技巧非常有帮助。
第 5 章介绍了常见的白盒攻击算法,从基础的 FGSM、DeepFool 到经典的 JSMA 和 CW。
第 6 章介绍了常见的黑盒攻击算法。
第 7 章介绍了对抗样本在目标识别领域的应用。
第 8 章介绍了对抗样本的常见抵御算法,与对抗样本一样,抵御对抗样本的技术也非常有趣。
第 9 章介绍了常见的对抗样本工具以及如何搭建 NIPS 2017 对抗防御环境和轻量级攻防对抗环境 robust-ml,通过这章读者可以了解如何站在巨人的肩膀上,快速生成自己的对抗样本,进行攻防对抗。


(测试数据)

我们以 Scikit-Learn 环境介绍常见的性能衡量指标。为了便于演示,我们创建测试数据,测试数据一共有 1000 条记录,每条记录了 100 个特征,内容随机生成:

复制代码
x, y = datasets.make_classification(n_samples=1000, n_features=100,
n_redundant=0, random_state = 1)

把数据集随机划分成训练集和测试集,其中测试集占 40%:

复制代码
train_X, test_X, train_y, test_y = train_test_split(x,
y,
test_size=0.2,
random_state=66)

使用 KNN 算法进行训练和预测:

复制代码
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(train_X, train_Y)
pred_Y = knn.predict(test_X)

AI安全之对抗样本入门(14):深度学习基础知识 1.4&1.4.1

购书地址 https://item.jd.com/12532163.html?dist=jd

评论

发布