AI安全之對抗樣本入門

序一
序二
自序
前言
第1章　深度學(xué)習(xí)基礎(chǔ)知識 1
1.1　深度學(xué)習(xí)的基本過程及相關(guān)概念 1
1.1.1　數(shù)據(jù)預(yù)處理 1
1.1.2　定義網(wǎng)絡(luò)結(jié)構(gòu) 2
1.1.3　定義損失函數(shù) 6
1.1.4　反向傳遞與優(yōu)化器 7
1.1.5　范數(shù) 12
1.2　傳統(tǒng)的圖像分類算法 13
1.3　基于CNN的圖像分類 14
1.3.1　局部連接 14
1.3.2　參數(shù)共享 15
1.3.3　池化 17
1.3.4　典型的CNN結(jié)構(gòu) 18
1.3.5　AlexNet的結(jié)構(gòu) 19
1.3.6　VGG的結(jié)構(gòu) 19
1.3.7　ResNet50 20
1.3.8　InceptionV3 20
1.3.9　可視化CNN 20
1.4　常見性能衡量指標(biāo) 30
1.4.1　測試數(shù)據(jù) 30
1.4.2　混淆矩陣 31
1.4.3　準(zhǔn)確率與召回率 31
1.4.4　準(zhǔn)確度與F1-Score 32
1.4.5　ROC與AUC 33
1.5　集成學(xué)習(xí) 34
1.5.1　Boosting算法 35
1.5.2　Bagging算法 37
1.6　本章小結(jié) 39
第2章　打造對抗樣本工具箱 40
2.1　Anaconda 41
2.2　APT更新源 45
2.3　Python更新源 45
2.4　Jupyter notebook 45
2.5　TensorFlow 49
2.6　Keras 50
2.7　PyTorch 51
2.8　PaddlePaddle 52
2.9　AdvBox 52
2.10　GPU服務(wù)器 52
2.11　本章小結(jié) 55
第3章　常見深度學(xué)習(xí)平臺簡介 56
3.1　張量與計(jì)算圖 56
3.2　TensorFlow 58
3.3　Keras 62
3.4　PyTorch 64
3.5　MXNet 67
3.6　使用預(yù)訓(xùn)練模型 70
3.7　本章小結(jié) 76
第4章　圖像處理基礎(chǔ)知識 77
4.1　圖像格式 77
4.1.1　通道數(shù)與像素深度 77
4.1.2　BMP格式 80
4.1.3　JPEG格式 81
4.1.4　GIF格式 81
4.1.5　PNG格式 81
4.2　圖像轉(zhuǎn)換 81
4.2.1　仿射變換 81
4.2.2　圖像縮放 83
4.2.3　圖像旋轉(zhuǎn) 85
4.2.4　圖像平移 85
4.2.5　圖像剪切 86
4.2.6　圖像翻轉(zhuǎn) 87
4.2.7　亮度與對比度 88
4.3　圖像去噪 89
4.3.1　高斯噪聲和椒鹽噪聲 90
4.3.2　中值濾波 91
4.3.3　均值濾波 93
4.3.4　高斯濾波 93
4.3.5　高斯雙邊濾波 94
4.4　本章小結(jié) 96
第5章　白盒攻擊算法 97
5.1　對抗樣本的基本原理 97
5.2　基于優(yōu)化的對抗樣本生成算法 100
5.2.1　使用PyTorch生成對抗樣本 102
5.2.5　使用TensorFlow生成對抗樣本 106
5.3　基于梯度的對抗樣本生成算法 109
5.4　FGM/FGSM算法 110
5.4.1　FGM/FGSM基本原理 110
5.4.2　使用PyTorch實(shí)現(xiàn)FGM 111
5.4.3　使用TensorFlow實(shí)現(xiàn)FGM 112
5.5　DeepFool算法 115
5.5.1　DeepFool基本原理 115
5.5.2　使用PyTorch實(shí)現(xiàn)DeepFool 117
5.5.3　使用TensorFlow實(shí)現(xiàn)DeepFool 122
5.6　JSMA算法 124
5.6.1　JSMA基本原理 124
5.6.2　使用PyTorch實(shí)現(xiàn)JSMA 126