%20(2).svg)
项目简介
本项目是基于PaddlePaddle框架开发的图像分类模型对抗测试工具。项目实现了多种深度学习模型，运用多种攻击策略与数据处理方法，通过对比原始图像和攻击后图像的指标，评估图像分类模型对攻击的鲁棒性。此项目在百度AI安全对抗赛初赛获第一名，决赛获第五名。
项目的主要特性和功能
- 模型库：实现ResNet、MobileNetV2、DarkNet等多种深度学习模型，并提供不同版本。
- 攻击策略：采用添加噪声、改变像素值、改变图像大小等策略测试模型鲁棒性。
- 数据处理：提供图像预处理、数据增强、批量归一化等操作，调整图像格式并增强数据多样性。
- 评估指标：计算原始图像和攻击后图像的指标（如MSE、L2范数等）评估模型抗攻击能力。
- 日志记录：运行过程中记录攻击结果、模型性能等日志，便于后续分析和改进。
安装使用步骤
环境准备
安装PaddlePaddle框架（1.5.1版本或更高版本）和相关的依赖库，使用以下命令建立环境：
conda create -n adversary python=3.7
pip install paddlepaddle-gpu==1.5.1.post97
代码下载
复制项目代码文件：
cd baidu_AI_adversary
数据准备
准备图像分类任务的测试数据集，同时下载预训练模型，下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/19746，解压模型：
tar xvf pretrained.tar.bz2
运行程序
激活环境并运行dog_ensemble_final.py脚本，开始图像分类模型攻击测试：
conda activate adversary
python dog_ensemble_final.py
运行时间比较长，可考虑在后台运行：
nohup python -u dog_ensemble_final.py&
通过以下命令查看 log：
tail -f nohup.out
结果查看
查看输出文件路径datasets/outputs，获取攻击结果和评估指标。
注意：运行时间可能较长，需要耐心等待。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】