如何用Caffe生成对抗样本这篇文章告诉你一个更高效的算法_[#第一枪]

按：在此前发布的文章《杂谈CNN：如何通过优化求解输入图像》中我们曾提到对抗样本的问题，本文作为其延续，将讨论如何用Fast Gradient Sign方法在Caffe中生成对抗样本。原文作者達聞西，载于知乎专栏，雷锋网经授权发布。

Fast Gradient Sign方法先回顾一下《杂谈CNN：如何通过优化求解输入图像》中通过加噪音生成对抗样本的方法，出自Christian Szegedy的论文《Intriguing properties of neural networks》：

其中n是要求的噪音，是相应的系数，L是x+n属于某个类别的loss，c是某个错误类别的标签。论文中用来得到图像噪声的办法是L-BFGS，这个方法虽然稳定有效，但是很考验算力的，Christian在Google反正机器多又强，用这个方法产生对抗样本自然没有问题，但如果不是土豪的话就不太合适了。针对这个问题，这篇文章的第六作者，生成式对抗网络的发明人Ian Goodfellow在《Explaining and Harnessing Adversarial Examples》中提出了一种更快速方便的方法来产生对抗样本：

这种方法的思想非常简单，就是让输入图像朝着让类别置信度降低的方向上移动一个在各个维度上都是这么大小的一步。因为输入通常是高维的（比如224x224），再加上现在的主流神经网络结构都是ReLU系的激活函数，线性程度其实很高，所以即使是很小的，每个维度的效果加一块，通常也足以对结果产生很大的影响，比如下面这样：

在计算上，这种方法优势巨大，因为只需要一次前向和一次后向梯度计算就可以了。Ian Goodfellow称之为Fast Gradient Sign method。

用Caffe生成对抗样本FGS法因为非常简单，用任何框架都很容易实现，Ian Goodfellow 有个作为完整工具包的官方实现，基于 TensorFlow，详细

寿山石价格

液压管夹图片

承台防撞靠球批发

铅丝石笼挡墙批发