【文件属性】：
文件名称：fast-wasserstein-adversarial:Wasserstein对抗性攻击的实施
文件大小：121.02MB
文件格式：ZIP
更新时间：2021-05-30 20:10:37
Python
更强更快的 Wasserstein 对抗性攻击
，出现在 ICML 2020 中。该存储库包含我们的 Wasserstein 对抗性攻击的实现和预训练的稳健模型。 投影算子的实现和 Wasserstein 约束的线性最小化预言机可以是独立的兴趣。
代码运行说明
依赖：PyTorch 1.5.1 和 CUDA 10.2、scipy 1.5.0 和 advertorch 0.2.3
在运行该程序之前，需要安装稀疏张量包：
cd sparse_tensor
python setup.py install
稀疏张量包包括几个用于初始化稀疏张量的函数。
查看以下 bash 脚本以了解不同的攻击方法：
bash bash/test_sinkhorn.sh # projected Sinkhorn
bash bash/test_projected_gradient.s
【文件预览】：
fast-wasserstein-adversarial-master
----constants()
--------class_mapping.py(34KB)
--------__init__.py(0B)
----sparse_tensor()
--------__init__.py(42B)
--------sparse_tensor.py(2KB)
--------setup.py(252B)
--------sparse_tensor.cpp(4KB)
----bash()
--------test_sinkhorn.sh(1KB)
--------test_frank_wolfe.sh(1KB)
--------test_projected_gradient.sh(1KB)
--------train.sh(551B)
--------test.sh(589B)
----train.py(3KB)
----projection.py(8KB)
----checkpoints()
--------cifar_vanilla.pth(42.68MB)
--------mnist_adv_training_attack-frank_eps-0.3.pth(651KB)
--------cifar_adv_training.pth(42.68MB)
--------mnist_adv_training.pth(652KB)
--------cifar_adv_training_attack-frank_eps-0.005.pth(42.68MB)
--------mnist_vanilla.pth(652KB)
----projected_sinkhorn()
--------lambertw.py(3KB)
--------__init__.py(175B)
--------projected_sinkhorn.py(10KB)
--------pgd.py(3KB)
----frank_wolfe.py(8KB)
----data.py(6KB)
----test.py(2KB)
----utils.py(8KB)
----model.py(2KB)
----sinkhorn.py(6KB)
----visualization.py(10KB)
----README.md(2KB)
----resnet.py(4KB)
----wasserstein_attack.py(8KB)
----data()
--------.gitignore(13B)
----projected_gradient.py(9KB)
----.gitignore(47B)
----lmo.py(2KB)
----adversarial_examples()
--------.gitignore(13B)