机器学习（对抗性图像）答案

【问题标题】：Machine Learning (Adversarial Images)机器学习（对抗性图像）
【发布时间】：2017-07-20 07:47:34
【问题描述】：

如果你们不知道，对抗性图像是属于某个类别的图像，但随后被扭曲，对人眼没有任何视觉感知差异，但网络错误地将其识别为完全不同的类别。

更多信息在这里： http://karpathy.github.io/2015/03/30/breaking-convnets/

使用 TensorFlow，我学到了很多关于卷积神经网络的知识。

def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

x_image = tf.reshape(x, [-1,28,28,1])

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)


W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)


W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)


W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

挑战是输入一个数字 2 的图像，也标记为“2”，并以某种方式对该图像进行卷积，以便输出将其识别为“6”，稍微改变像素以至于无法识别差异。

有人知道从哪里开始吗？

【问题讨论】：

你应该从实际阅读那些提到如何生成对抗样本的论文开始。

标签： python image-processing machine-learning neural-network conv-neural-network

【解决方案1】：

您可以从阅读本文开始：https://arxiv.org/abs/1412.6572（例如）

它解释了一种通过计算损失函数相对于输入的梯度来生成对抗性示例的方法。

看看tf.gradients()

一旦您定义了损失函数，例如交叉熵，您可以执行以下操作：

grads = tf.gradients(loss, [x])[0]
signs = tf.sign(grads)
epsilon = tf.constant(0.25)
x_adversarial = tf.add(tf.multiply(epsilon, signs), x)

x_adversarial 将成为你的鬼脸。您可以使用epsilon 值来设置添加噪声的幅度。

【讨论】：