EMA，FGM 对抗模型

EMA（Exponential Moving Average）和FGM（Fast Gradient Method）是两种常见的对抗训练方法，用于提高深度学习模型的鲁棒性和对抗攻击的防御能力。

1. EMA（Exponential Moving Average）对抗训练方法：
EMA方法通过维护一个目标模型的移动平均版本来提高模型的鲁棒性。在对抗训练中，通常会使用一个生成对抗网络（GAN）来生成对抗样本，然后将这些对抗样本与原始样本一起用于训练。在EMA方法中，除了使用原始样本和对抗样本进行训练外，还会使用目标模型的移动平均版本来计算损失函数。通过使用移动平均版本，可以减少对抗样本的干扰，提高模型的鲁棒性。

2. FGM（Fast Gradient Method）对抗训练方法：
FGM方法是一种基于梯度的对抗攻击方法，用于生成对抗样本。在FGM方法中，通过计算目标模型在输入样本上的梯度信息，然后根据梯度信息对输入样本进行微小的扰动，从而生成对抗样本。这种扰动通常是在输入样本上添加一个小的扰动向量，使得目标模型在对抗样本上产生错误的预测结果。FGM方法可以用于对抗训练，通过生成对抗样本来提高模型的鲁棒性和对抗攻击的防御能力。