20155219付颖卓毕业设计-代码理解

选择攻击在ImageNet数据集上训练的Inception v3网络。首先我们从TF-slim图像分类库中加载预先训练的网络。

import tensorflow as tf
import tensorflow.contrib.slim as slim
import tensorflow.contrib.slim.nets as nets

tf.logging.set_verbosity(tf.logging.ERROR)
sess = tf.InteractiveSession()

加载预设部分

设置输入图像。使用tf.Variable而不是使用tf.placeholder，这是因为要确保它是可训练的。当我们需要时，仍然可以输入它。

image = tf.Variable(tf.zeros((299, 299, 3)))

height = 299 width = 299 channels = 3，这是Inception v3模型规定的图片大小

接下来，加载Inception v3模型

def inception(image, reuse):
    preprocessed = tf.multiply(tf.subtract(tf.expand_dims(image, 0), 0.5), 2.0)
    arg_scope = nets.inception.inception_v3_arg_scope(weight_decay=0.0)
    with slim.arg_scope(arg_scope):                             #  slim是一种轻量级的tensorflow库，可以使模型的构建，训练，测试都变得更加简单。
                                                                #在slim库中对很多常用的函数进行了定义，slim.arg_scope（）是slim库中经常用到的函数之一。
                                                                #定义inception-v3模型结构 inception_v3.ckpt里只有参数的取值
        logits, _ = nets.inception.inception_v3(                #logits  inception_v3前向传播得到的结果
            preprocessed, 1001, is_training=False, reuse=reuse)
        logits = logits[:,1:]                                   # 忽略背景类的影响
        probs = tf.nn.softmax(logits)                           # logits就是神经网络的输出 ，转换到softmax函数之后输出结果
        
                                                                #用 slim.arg_scope（）为目标函数设置默认参数.
    return logits, probs
    logits, probs = inception(image, reuse=False)

接下来，加载预训练的权重。从文献中看到这个Inception v3的top-5的准确率为93.9％

import tempfile
from urllib.request import urlretrieve
import tarfile
import os
data_dir = tempfile.mkdtemp()
inception_tarball, _ = urlretrieve(
    'http://download.tensorflow.org/models/inception_v3_2016_08_28.tar.gz')
tarfile.open(inception_tarball, 'r:gz').extractall(data_dir)
restore_vars = [
    var for var in tf.global_variables()
    if var.name.startswith('InceptionV3/')
]#使用ckpt文件中提供的参数
saver = tf.train.Saver(restore_vars)
saver.restore(sess, os.path.join(data_dir, 'inception_v3.ckpt'))

#saver()与restore()只是保存了session中的相关变量对应的值，并不涉及模型的结构。
#sess: 保存参数的会话。
#save_path: 保存参数的路径。
#当从文件中恢复变量时，不需要事先对他们进行初始化，因为“恢复”自身就是一种初始化变量的方法。
#可以使用tf.train.latest_checkpoint()来自动获取最后一次保存的模型。


#**Saver的作用是将我们训练好的模型的参数保存下来，以便下一次继续用于训练或测试；Restore则是将训练好的参数提取出来。Saver类训练完后，是以checkpoints文件形式保存。提取的时候也是从checkpoints文件中恢复变量。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。

接下来，编写一些代码来显示图像，并对它进行分类及显示分类结果。

import json
import matplotlib.pyplot as plt
imagenet_json, _ = urlretrieve(
    'http://www.anishathalye.com/media/2017/07/25/imagenet.json')
with open(imagenet_json) as f:
    imagenet_labels = json.load(f)#引入图像的不同类别，json文件中保存着inception v3模型训练的不同结果
def classify(img, correct_class=None, target_class=None):
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 8))#建立一个fig对象，建立两个axis对象（返回它的子图对象）如，设置 figsize=(21, 12) ，则设置了图像大小。
    fig.sca(ax1)#画函数图像
    p = sess.run(probs, feed_dict={image: img})[0]
    ax1.imshow(img) #进行图形的分辨
    fig.sca(ax1)
    
    topk = list(p.argsort()[-10:][::-1])
    topprobs = p[topk]
    barlist = ax2.bar(range(10), topprobs)
    if target_class in topk:
        barlist[topk.index(target_class)].set_color('r')
    if correct_class in topk:
        barlist[topk.index(correct_class)].set_color('g')
    plt.sca(ax2)
    plt.ylim([0, 1.1])
    plt.xticks(range(10),
               [imagenet_labels[i][:15] for i in topk],
               rotation='vertical')
    fig.subplots_adjust(bottom=0.2)
    plt.show()
#形成柱状图

plt.subplots函数的标注效果：

加载示例图像，并确保它已被正确分类。

import PIL
import numpy as np
img_path, _ = urlretrieve('http://www.anishathalye.com/media/2017/07/25/cat.jpg')
img_class = 281
img = PIL.Image.open(img_path)
big_dim = max(img.width, img.height)
wide = img.width > img.height
new_w = 299 if not wide else int(img.width * 299 / img.height)
new_h = 299 if wide else int(img.height * 299 / img.width)
img = img.resize((new_w, new_h)).crop((0, 0, 299, 299))
img = (np.asarray(img) / 255.0).astype(np.float32)

#对图像的大小以及格式进行调整，形成适应inception v3模型的格式及大小
classify(img, correct_class=img_class)

输出结果如下：

生成fgsm对抗样本

给定一个图像X，神经网络输出标签上的概率分布为P(y|X)。当手工制作对抗输入时，我们想要找到一个X'，使得logP(y'|X'）被最大化为目标标签y'，即输入将被错误分类为目标类。通过进行约束，要求‖X- X'‖≤ε，我们可以确保X'与原始X看起来一样，但实际却可以达成扰乱效果。

首先从最简单的部分开始：编写一个TensorFlow op进行相应的初始化。

x = tf.placeholder(tf.float32, (299, 299, 3))

x_hat = image 
assign_op = tf.assign(x_hat, x)#把x的值赋给x_hat

接下来，编写梯度下降步骤，以最大化目标类的成功概率

learning_rate = tf.placeholder(tf.float32, ())
y_hat = tf.placeholder(tf.int32, ())
#tf.placeholder用于定义
labels = tf.one_hot(y_hat, 1000)
loss = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=[labels])
optim_step = tf.train.GradientDescentOptimizer(
    learning_rate).minimize(loss, var_list=[x_hat])

编写投影步骤，使得对抗样本在视觉上与原始图像相似。另外，将其限定为[0，1]范围内，用来保持有效的图像。

epsilon = tf.placeholder(tf.float32, ())

below = x - epsilon
above = x + epsilon
projected = tf.clip_by_value(tf.clip_by_value(x_hat, below, above), 0, 1)
with tf.control_dependencies([projected]):
    project_step = tf.assign(x_hat, projected)#把project的值赋给x_hat

最后，准备合成一个对抗样本。我们任意选择“鳄梨酱”（imagenet class 924）作为我们的目标类。

demo_epsilon = 2.0/255.0 #很小的扰动
demo_lr = 1e-1
demo_steps = 100
demo_target = 924 # "guacamole"

# initialization step
sess.run(assign_op, feed_dict={x: img})

# projected gradient descent
for i in range(demo_steps):
    # 梯度下降步骤
    _, loss_value = sess.run(
        [optim_step, loss],
        feed_dict={learning_rate: demo_lr, y_hat: demo_target})#引用demo_lr = 1e-1为学习率，将y_hat:设置为demo_target从而开始反向梯度下降
    # project step
    sess.run(project_step, feed_dict={x: img, epsilon: demo_epsilon})#将图像加入小的扰动
    if (i+1) % 10 == 0:
        print('step %d, loss=%g' % (i+1, loss_value))
    

adv = x_hat.eval() # eval()是程序语言中的函数，功能是获取返回值，不同语言大同小异，函数原型是返回值 = eval( codeString )，如果eval函数在执行时遇到错误，则抛出异常给调用者。