Environment

• pytorch: 1.5.1
  • 一定不能是1.6.0 会报错
• source activate torchenv 就是可以用的环境
• 直接运行main.py 就好
• 所有数据都在trojai-round0-dataset里 可以copy 一两个模型到/DL-troj/data里面去
• data/example_data 里是id-6, data/data2里是id-1

Struct

• data\

  • 可放数据
  • 在 main.py 的 13-14行被使用到

• main.py

  • os.environ['CUDA_VISIBLE_DEVICES'] = '0, 1, 2, 3' # 用到的GPU编号，没人就4块都用
    test_dir = './data/data2/example_data'   # 两个路径
    model_dir = './data/data2/model.pt'
    num_class = 5  # number of labels
    REGU = "l1"  # l1 or l2, regularization of mask loss  不用管
    output_dir = "./results/"  # 好像现在没用 下面都不用管
    # device = ["cuda:1", "cuda:1"]
    # device = [torch.device(d) for d in devices]
    device = "cuda:0"
    device = torch.device(device)

  • load_data(root_dir): 将文件夹里的img转换成torch，np的格式。 thres 是每一类数据的个数，如果太多了CUDA会run out of memory

  • indices, indices2 分别是 没有target label的数据索引 和 target label的数据索引， 之后的 labs, labs2, imgs, imgs2 分别是label 和 图片数据。 1， 2和上面的意思一样。

  pert_p, coff_p, ind1, ind2, output_p, log_output, area =
  UniversalPert(model_dir, batchsize, batchsize2, device).attack(imgs, imgs2, labs, labs2)

  
  `pert_p` - mask 大小
  
   `coff_p` - delta 
  
   `ind1, ind2`  - 没有被误分类的label（对应imgs和imgs2)
  
   `output_p` - output of model(imgs+imgs2)
  
  `log_output` - 和 `[output_p]` 是一样的
  
  `area` - `[mask 大小]`
  
  - ```python
  m, det, indic, output = PerImgPert(model_dir, batchsize, device).attack(imgs, labs)
  

  m - mask

  det - delta

  indic - 没被攻击成功的indices

  output - output of model(imgs)

  • 后面都是计算相似度

• main_dltnd.py: 原来 tensorflow 版本的 main.py， 如果觉得我写的哪里有错可以参考

• UniversalPerturb_torch.py:

  • BINARY_SEARCH_STEPS = 4  # number of times to adjust the constant with binary search
    MAX_ITERATIONS = 101  # number of iterations to perform gradient descent
    # ABORT_EARLY = True       # if we stop improving, abort gradient descent early
    LEARNING_RATE = 0.1    # larger values converge faster to less accurate results
    INITIAL_CONST = 0.01     # the initial constant lambda to pick as a first guess
    IMG_SIZE = 224
    CHANNELS = 3
    NUM_LABEL = 5

    都是可以修改的参数，但是可能修改的主要是 MAX_ITERATIONS 和 LEARNING_RATE

  • __init()_: 初始化 可以不用管

  • attack(): 先转换数据格式， 然后通过optim找 untargeted universal perturbation， 对应公式是论文里的 2， 3， 4

• UniversalPerturb.py, PerImagePerturb.py: 原来TensorFlow版的代码

• PerImagePerturb_torch.py: 总体和UniversalPerturb_torch.py 相同，但更简单，建议先看这个。

• 其余的都没有用到 可以不用管