GAN探索之数字样本生成(Pytorch实现LeNet网络进行对抗比较)

上传者: 45508265 | 上传时间: 2022-05-17 12:06:10 | 文件大小: 1.78MB | 文件类型: ZIP
数字对抗样本生成 LeNet是一个小型的神经网络结构,仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题,如手写数字识别。本实验要求: (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 首先简要介绍了GAN的原理,通俗易懂 我简要实现了这一部分,并且包括每一部分的数字可视化功能,包括LeNet模型的构建,以及对于LeNet的超参数的调节和一些方法,最后也把模型权重保存下来,不用训练也可以直接用。 在步骤二中,生成针对该网络的对抗样本。做了威胁模型,快速梯度符号攻击,定义扰动上限 epsilons,被攻击的模型,FGSM 攻击方式,测试函数的操作 最后启动攻击,得到对抗结果,最后比较准确性 vs Epsilon,就得到最后的实验结果。 所有的介绍和方法和代码都是可以直接运行的

文件下载

资源详情

[{"title":"( 6 个子文件 1.78MB ) GAN探索之数字样本生成(Pytorch实现LeNet网络进行对抗比较)","children":[{"title":"数字对抗样本生成","children":[{"title":"mnist_net2.pth <span style='color:#111;'> 246.94KB </span>","children":null,"spread":false},{"title":"GAN系列探索与pytorch实现(数字对抗样本生成).pdf <span style='color:#111;'> 1.14MB </span>","children":null,"spread":false},{"title":"LeNet.ipynb <span style='color:#111;'> 217.49KB </span>","children":null,"spread":false},{"title":"生成对抗样本.ipynb <span style='color:#111;'> 180.52KB </span>","children":null,"spread":false},{"title":"mnist_net.pth <span style='color:#111;'> 246.94KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 38.53KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明