pytorch实现cifar10数据集的训练和对抗样本攻击

PyTorch是一种流行的深度学习框架，可以用于CIFAR-10数据集的训练和对抗样本攻击。CIFAR-10是一个小型的图像识别数据集，包含60,000张32x32彩色图片，分为10个类别。

以下是使用PyTorch进行CIFAR-10训练的一般步骤：

1. **数据预处理**：加载CIFAR-10数据集，将其转换为Tensor，并对像素值做归一化。你可以使用`torchvision.datasets.CIFAR10`加载器。

import torchvision.transforms as transforms
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=100, shuffle=True, num_workers=2)

2. **构建模型**：选择一个适合的网络架构，如ResNet、VGG等，然后创建它的实例。PyTorch提供了很多预训练模型。

from torchvision.models import resnet18
model = resnet18(pretrained=True)

3. **定义损失函数和优化器**：例如交叉熵损失和SGD或Adam优化器。

import torch.nn as nn
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

4. **训练循环**：通过迭代训练数据，前向传播，计算损失，反向传播和更新权重。

for epoch in range(num_epochs):
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

对于对抗样本攻击，一种常见方法是使用FGSM（Fast Gradient Sign Method），它会在输入上添加一个由梯度方向决定的小扰动。以下是如何应用FGSM的例子：

def FGSM_attack(model, img, target, eps=8 / 255):
    adv_img = img.clone().detach()
    perturb = eps * torch.sign(torch.autograd.grad(outputs=model(adv_img), inputs=adv_img, grad_outputs=torch.ones_like(outputs), create_graph=True)[0])
    adv_img = adv_img + perturb
    # 确保perturbation在[0, 1]范围内
    adv_img = torch.clamp(adv_img, min=0, max=1)
    return adv_img

# 使用模型和攻击后的图片重新预测
adv_preds = model(adv_img)