Kaggle首席技术官发布——(Kaggle)NIPS 2017对抗学习挑战赛起步指南

简介: 本文是一个入门介绍,由Kaggle首席技术官Ben简单介绍以下2017年的NIPS 对抗学习竞赛数据的处理,用一个具体的代码实例介绍了如何生成目标对抗图像与非目标对抗图像,将对抗图像送入原先的分类器中,可以看到结果与原图大相径庭。

更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud

NIPS全称神经信息处理系统大会,是关于机器学习领域的顶级会议,也是令众多学者振奋的学术盛会。该会议固定在每年的12月举行,NIPS基金会主办 但今年年底举办的NIPS将新增一个议程,NIPS 2017Competition Track,从23个候选提案中选择了五个数据驱动的比赛项目。近日谷歌大脑研究员Ian Goodfellow在社媒平台中强烈推荐了由他组织的Adversarial Attacks and Defences(对抗攻击防御)比赛。为什么组织这样一个比赛呢,这是因为当前图像分类器非常容易被精心设计的对抗图像所欺骗,这些图像给原始图像及正确分类图像添加了微小变化,这些图像几乎不容易被人眼察觉,但会导致图像分类器错误地对错误的分类充满自信。

这项比赛是在kaggle平台上进行,关于kaggle竞赛的介绍与相关竞赛技巧可以参考博主的以下几篇博客:

Kaggle老手领你入门梯度提升——梯度提升两三事

干货|大神教你如何参加kaggle比赛——根据CT扫描图预测肺癌

Kaggle官网上有三个相关的对抗学习挑战,如图1所示

下面具体来说下这三个相关比赛的侧重点:

  • 1Non Targeted Adversarial Attack,竞赛者所提交的系统需要对任何类别的图像进行处理,使得某个通用机器学习分类器无法识别。 
  • 2Targeted Adversarial Attack,竞赛者所提交的系统需要对给定的图像进行处理,使得某个通用机器学习分类器无法识别。 
  • 3Defense Against Adversarial Attack,竞赛者需要构建一个机器学习分类器,拥有足够的鲁棒性使之能正确鉴别对抗性的图像。 

根据前两个挑战的对抗性攻击,防御挑战的得分取决于分类器的好坏,另外前两个挑战的得分是基于在第三个挑战中对抗性攻击的伎俩有多好。

21a34e36727ac2ad9ff700c60b8ff65587a6a03d

 下面,我们将通过一些代码示例来生成非目标和目标的对抗图像,然后看看Inception V3模型是如何对它们进行分类。关于googleNet Inception V3介绍大家可以上网找找相关教程或博客,这里就不一一讲述。

注:下面许多的代码是基于Alex例子,基于tensorflow实现。

开始时,我们导入一些必要的库并定义一些参数/有用的函数

import os
from cleverhans.attacks import FastGradientMethod
from io import BytesIO
import IPython.display
import numpy as np
import pandas as pd
from PIL import Image
from scipy.misc import imread
from scipy.misc import imsave
import tensorflow as tf
from tensorflow.contrib.slim.nets import inception

slim = tf.contrib.slim
tensorflow_master = ""
checkpoint_path   = "../input/inception-v3/inception_v3.ckpt"
input_dir         = "../input/nips-2017-adversarial-learning-development-set/images/"
max_epsilon       = 16.0
image_width       = 299
image_height      = 299
batch_size        = 16

eps = 2.0 * max_epsilon / 255.0
batch_shape = [batch_size, image_height, image_width, 3]
num_classes = 1001

def load_images(input_dir, batch_shape):
    images = np.zeros(batch_shape)
    filenames = []
    idx = 0
    batch_size = batch_shape[0]
    for filepath in sorted(tf.gfile.Glob(os.path.join(input_dir, '*.png'))):
        with tf.gfile.Open(filepath, "rb") as f:
            images[idx, :, :, :] = imread(f, mode='RGB').astype(np.float)*2.0/255.0 - 1.0
        filenames.append(os.path.basename(filepath))
        idx += 1
        if idx == batch_size:
            yield filenames, images
            filenames = []
            images = np.zeros(batch_shape)
            idx = 0
    if idx > 0:
        yield filenames, images

def show_image(a, fmt='png'):
    a = np.uint8((a+1.0)/2.0*255.0)
    f = BytesIO()
    Image.fromarray(a).save(f, fmt)
    IPython.display.display(IPython.display.Image(data=f.getvalue()))

class InceptionModel(object):
    def __init__(self, num_classes):
        self.num_classes = num_classes
        self.built = False

    def __call__(self, x_input):
        """Constructs model and return probabilities for given input."""
        reuse = True if self.built else None
        with slim.arg_scope(inception.inception_v3_arg_scope()):
            _, end_points = inception.inception_v3(
                            x_input, num_classes=self.num_classes, is_training=False,
                            reuse=reuse)
        self.built = True
        output = end_points['Predictions']
        probs = output.op.inputs[0]
        return probs

接下来,我们将在元数据中加载一批图像。

categories = pd.read_csv("../input/nips-2017-adversarial-learning-development-set/categories.csv")
image_classes = pd.read_csv("../input/nips-2017-adversarial-learning-development-set/images.csv")
image_iterator = load_images(input_dir, batch_shape)

# get first batch of images
filenames, images = next(image_iterator)

image_metadata = pd.DataFrame({"ImageId": [f[:-4] for f in filenames]}).merge(image_classes,
                                                                              on="ImageId")
true_classes = image_metadata["TrueLabel"].tolist()
target_classes = true_labels = image_metadata["TargetClass"].tolist()
true_classes_names = (pd.DataFrame({"CategoryId": true_classes})
                        .merge(categories, on="CategoryId")["CategoryName"].tolist())
target_classes_names = (pd.DataFrame({"CategoryId": target_classes})
                          .merge(categories, on="CategoryId")["CategoryName"].tolist())

print("Here's an example of one of the images in the development set")
show_image(images[0])

下面是开发集中的一个图像示例,熊猫是不是很可爱?

6e24caf7c3f6ccf673acdf87815f21b4dc218536

生成无标签对抗图像

以下代码在tensorflow上运行并生成非目标对抗图像,这些非目标图像是为了欺骗原始分类器而设计的,但这些图像没有固定的类别。

tf.logging.set_verbosity(tf.logging.INFO)

with tf.Graph().as_default():
    x_input = tf.placeholder(tf.float32, shape=batch_shape)
    model = InceptionModel(num_classes)

    fgsm  = FastGradientMethod(model)
    x_adv = fgsm.generate(x_input, eps=eps, clip_min=-1., clip_max=1.)

    saver = tf.train.Saver(slim.get_model_variables())
    session_creator = tf.train.ChiefSessionCreator(
                      scaffold=tf.train.Scaffold(saver=saver),
                      checkpoint_filename_with_path=checkpoint_path,
                      master=tensorflow_master)

    with tf.train.MonitoredSession(session_creator=session_creator) as sess:
        nontargeted_images = sess.run(x_adv, feed_dict={x_input: images})

print("The original image is on the left, and the nontargeted adversarial image is on the right. They look very similar, don't they? It's very clear both are gondolas")
show_image(np.concatenate([images[1], nontargeted_images[1]], axis=1))

INFO:tensorflow:Restoring parameters from ../input/inception-v3/inception_v3.ckpt

左边是原始图像,右边是非目标对抗图像。它们看起来很相似,很明显都是一条小船。

d983a119799fccd4d47358a61d26aeb5957a1ecb

生成有标签对抗图像

以下代码在tensorflow上运行并生成目标对抗图像,在每种情况下,都有一个特定的目标类别,这些类别是试图欺骗图像分类器输出的。

注意:该代码目前不工作,只是产生对抗图像,并且这些图片而没有正确的目标。

all_images_target_class = {image_metadata["ImageId"][i]+".png": image_metadata["TargetClass"][i]
                           for i in image_metadata.index}

with tf.Graph().as_default():
    x_input = tf.placeholder(tf.float32, shape=batch_shape)

    with slim.arg_scope(inception.inception_v3_arg_scope()):
        logits, end_points = inception.inception_v3(
            x_input, num_classes=num_classes, is_training=False)

    target_class_input = tf.placeholder(tf.int32, shape=[batch_size])
    one_hot_target_class = tf.one_hot(target_class_input, num_classes)
    cross_entropy = tf.losses.softmax_cross_entropy(one_hot_target_class,
                                                    logits,
                                                    label_smoothing=0.1,
                                                    weights=1.0)
    cross_entropy += tf.losses.softmax_cross_entropy(one_hot_target_class,
                                                     end_points['AuxLogits'],
                                                     label_smoothing=0.1,
                                                     weights=0.4)
    x_adv = x_input - eps * tf.sign(tf.gradients(cross_entropy, x_input)[0])
    x_adv = tf.clip_by_value(x_adv, -1.0, 1.0)

    saver = tf.train.Saver(slim.get_model_variables())
    session_creator = tf.train.ChiefSessionCreator(
        scaffold=tf.train.Scaffold(saver=saver),
        checkpoint_filename_with_path=checkpoint_path,
        master=tensorflow_master)

    with tf.train.MonitoredSession(session_creator=session_creator) as sess:
        target_class_for_batch = ([all_images_target_class[n] for n in filenames]
                                  + [0] * (batch_size - len(filenames)))
        targeted_images = sess.run(x_adv,
                                   feed_dict={x_input: images,
                                              target_class_input: target_class_for_batch})
        
print("The original image is on the left, and the targeted adversarial image is on the right. Again, they look very similar, don't they? It's very clear both are butterflies")
show_image(np.concatenate([images[2], targeted_images[2]], axis=1))

INFO:tensorflow:Restoring parameters from ../input/inception-v3/inception_v3.ckpt

左边是原始图像,右边是目标对抗图像。同样可以发现它们看起来很相似,很明显都是蝴蝶。

ae81b393060b2a5ae4a02ea6021ba2f9ca1202f2

分类对抗图像

接下来,我们将看到,当把这些生成的对抗图像送入原始分类器运行时会发生什么呢,答案是目标对抗图像与原始图像的类别判定完全不同

with tf.Graph().as_default():
    x_input = tf.placeholder(tf.float32, shape=batch_shape)

    with slim.arg_scope(inception.inception_v3_arg_scope()):
        _, end_points = inception.inception_v3(x_input, num_classes=num_classes, is_training=False)
    
    predicted_labels = tf.argmax(end_points['Predictions'], 1)

    saver = tf.train.Saver(slim.get_model_variables())
    session_creator = tf.train.ChiefSessionCreator(
                      scaffold=tf.train.Scaffold(saver=saver),
                      checkpoint_filename_with_path=checkpoint_path,
                      master=tensorflow_master)

    with tf.train.MonitoredSession(session_creator=session_creator) as sess:
        predicted_classes = sess.run(predicted_labels, feed_dict={x_input: images})
        predicted_nontargeted_classes = sess.run(predicted_labels, feed_dict={x_input: nontargeted_images})
        predicted_targeted_classes = sess.run(predicted_labels, feed_dict={x_input: targeted_images})

predicted_classes_names = (pd.DataFrame({"CategoryId": predicted_classes})
                           .merge(categories, on="CategoryId")["CategoryName"].tolist())

predicted_nontargeted_classes_names = (pd.DataFrame({"CategoryId": predicted_nontargeted_classes})
                          .merge(categories, on="CategoryId")["CategoryName"].tolist())

predicted_targeted_classes_names = (pd.DataFrame({"CategoryId": predicted_targeted_classes})
                          .merge(categories, on="CategoryId")["CategoryName"].tolist())

INFO:tensorflow:Restoring parameters from ../input/inception-v3/inception_v3.ckpt

下面我们将展示这个批次中的所有图像以及它们的分类的类别。每个集合中的左图是原始图像中间是非目标对抗形象,右图目标对抗图像

for i in range(len(images)):
    print("UNMODIFIED IMAGE (left)",
          "\n\tPredicted class:", predicted_classes_names[i],
          "\n\tTrue class:     ", true_classes_names[i])
    print("NONTARGETED ADVERSARIAL IMAGE (center)",
          "\n\tPredicted class:", predicted_nontargeted_classes_names[i])
    print("TARGETED ADVERSARIAL IMAGE (right)",
          "\n\tPredicted class:", predicted_targeted_classes_names[i],
          "\n\tTarget class:   ", target_classes_names[i])
    show_image(np.concatenate([images[i], nontargeted_images[i], targeted_images[i]], axis=1))

原图(左图)

预测类别:大熊猫

真实类别:大熊猫

非目标对抗图片(中间图)

预测类别:萨摩耶犬类

目标对抗图片(右图)

预测类别:土狗

真实类别:肉饼

eb92800602fbd72a7c747a2c569444094ca99f60

原图(左图)

预测类别:小船

真实类别:小船

非目标对抗图片(中间图)

   预测类别:堤坝

目标对抗图片(右图)

预测类别:堤坝

真实类别:翅膀

5e571645baa26b5deca4bed6500cad8630a366b5

原图(左图)

预测类别:灰蝶

真实类别:灰蝶

非目标对抗图片(中间图)

   预测类别:小环蝴蝶

目标对抗图片(右图)

预测类别:小环蝴蝶

真实类别:西班牙可卡犬

b79d9aa23bb377733ff8998d5c333bc7857f52c6

原图(左图)

预测类别:灰蝶

真实类别:灰蝶

非目标对抗图片(中间图)

预测类别:河马

目标对抗图片(右图)

预测类别:河马

真实类别:啄木鸟

add1a3bbd9d559f58915acbf43f56c24442d0978

原图(左图)

预测类别:美洲黑鸭

真实类别:美洲黑鸭

非目标对抗图片(中间图)

测类别:短尾鹦鹉

目标对抗图片(右图)

预测类别:短尾鹦鹉

真实类别:泉水

6bacc1251fca1bfb113c5f7101823bdab44ad176

原图(左图)

预测类别:短尾鹦鹉

真实类别:短尾鹦鹉

非目标对抗图片(中间图)

测类别:篮球

目标对抗图片(右图)

预测类别:篮球

真实类别:单峰骆驼

4f2a60da42e587d07d38b095ea7c9d5e00ecfc57

原图(左图)

预测类别:球员

真实类别:球员

非目标对抗图片(中间图)

测类别:鸵鸟

目标对抗图片(右图)

预测类别:鸵鸟

真实类别:金库

a29b1b39b10756a621ba2789f792721602c05fce

原图(左图)

预测类别:鸵鸟

真实类别:鸵鸟

非目标对抗图片(中间图)

测类别:日晷

目标对抗图片(右图)

预测类别:日晷

真实类别:海上钻井平台

e8b79ea0ca3198133822051dfd075d87b609180f

原图(左图)

预测类别:加农炮

真实类别:加农炮

非目标对抗图片(中间图)

测类别:虎甲虫

目标对抗图片(右图)

预测类别:虎甲虫

真实类别:特浓咖啡机

729a1a61ac901d8dc85277574645c78b0ea2caff

原图(左图)

预测类别:长角天牛

真实类别:长角天牛

非目标对抗图片(中间图)

测类别:特浓咖啡

目标对抗图片(右图)

预测类别:特浓咖啡

真实类别:髓内钉

eac6a118765788b3386fe7e6b67a4d333cfb3bfa

原图(左图)

预测类别:特浓咖啡

真实类别:特浓咖啡

非目标对抗图片(中间图)

测类别:淋浴帽

目标对抗图片(右图)

预测类别:淋浴帽

真实类别:滤盆

e733599f936c88b5a4fd0f20f24dae05cdba20c4

原图(左图)

预测类别:雪橇

真实类别:雪橇

非目标对抗图片(中间图)

测类别:玫瑰果

目标对抗图片(右图)

预测类别:蜜蜂

真实类别:面包店

a211e66285f2cfb282119cba53a3a3111efbe656

原图(左图)

预测类别:大钢琴

真实类别:大钢琴

非目标对抗图片(中间图)

测类别:书桌

目标对抗图片(右图)

预测类别:餐桌

真实类别:信箱

918452d7ad531e90c26a1633e764229be314b561

原图(左图)

预测类别:间歇喷泉

真实类别:间歇喷泉

非目标对抗图片(中间图)

测类别:沉船

目标对抗图片(右图)

预测类别:海狸

真实类别:哈巴狗

43f7b4cccf1b1b4fdde3e337d8a33b34d1addb23

原图(左图)

预测类别:图书馆

真实类别:图书馆

非目标对抗图片(中间图)

测类别:书店

目标对抗图片(右图)

预测类别:书店

真实类别:安全别针

baf38a228b7c8335232dd22af76aa54106c751ab

原图(左图)

预测类别:松鸭

真实类别:松鸭

非目标对抗图片(中间图)

测类别:松鸭

目标对抗图片(右图)

预测类别:黄雀

真实类别:针鼹

901ac96bde922ad713c80a3fdb6b57ffca7a80d1

作者信息

Ben HamnerKaggle联合创始人与首席技术官

6fc3a6a48252369b55117e13167a93a47ff90fe4

Linkedinhttp://www.linkedin.com/in/ben-hamner-98759712/

Github: https://github.com/benhamner

本文由北邮@爱可可-爱生活老师推荐,阿里云云栖社区组织翻译。

文章原标题《Getting Started with the NIPS 2017 Adversarial Learning Challenges》,作者:Ben Hamner译者:海棠,审阅:李烽

文章为简译,更为详细的内容,请查看原文

 

相关文章
|
机器学习/深度学习 算法 API
Kaggle
Kaggle 是一个在线数据科学竞赛平台,旨在为数据科学家和机器学习工程师提供一个学习和实践的社区。在 Kaggle 上,用户可以参加各种数据科学竞赛,通过解决实际问题来提高自己的技能。Kaggle 提供了丰富的数据集和工具,支持多种编程语言,如 Python、R 和 Julia 等。
657 3
|
关系型数据库 MySQL 定位技术
Python web框架 之Django + Python3.7 + 集成百度地图【视频讲解】
python集成百度地图 介绍 python集成百度地图demo
839 0
Python web框架 之Django + Python3.7 + 集成百度地图【视频讲解】
|
Kubernetes 安全 Docker
使用容器服务Kubernetes 与 自建Kubernetes的区别
自建K8S有哪些麻烦呢,容器服务的K8S能否解决这些麻烦呢?
11614 0
|
机器学习/深度学习 人工智能 安全
【网安AIGC专题10.11】①代码大模型的应用:检测、修复②其安全性研究:模型窃取攻击(API和网页接口) 数据窃取攻击 对抗攻击(用途:漏洞隐藏) 后门攻击(加触发器+标签翻转)(下)
【网安AIGC专题10.11】①代码大模型的应用:检测、修复②其安全性研究:模型窃取攻击(API和网页接口) 数据窃取攻击 对抗攻击(用途:漏洞隐藏) 后门攻击(加触发器+标签翻转)
446 1
|
12月前
|
人工智能 JSON 数据可视化
OpenAI调用接口多轮对话Multi Turn Multi Agent 多轮多角色对话调试和可视化工具Dialogue Visualization
伴随着生成式人工智能技术发展,进2年涌现出大语言模型LLM/Agent系统/AI推理等众多方向的技术项目和论文。其中对话系统,智能体交互是用户通过UX界面和AI系统进行交互,这种交互有时候也是多模态(用户输入文字/语音/图像)等等。在调用OpenAI 的对话接口时候,有时候需要把对话结果打印出来检查是否有bug,JSON数据格式就比较难看出来了,尤其是有多角色的多轮对话。这个时候可以借助一些在线的"对话"可视化的工具 (Online Dialogue Visualization Tool) DeepNLP Dialogue Visualization Tool,方便产品经理,算法研发,学术研究
OpenAI调用接口多轮对话Multi Turn Multi Agent 多轮多角色对话调试和可视化工具Dialogue Visualization
|
12月前
|
机器学习/深度学习 网络架构
深度学习之对抗攻击的防御
基于深度学习的对抗攻击防御是一项重要的研究方向,旨在提高模型在面对对抗样本时的鲁棒性和安全性。对抗攻击通常通过向输入数据中添加微小扰动,使得深度学习模型做出错误的预测。
302 1
|
11月前
|
机器学习/深度学习 监控 安全
《智能安全帽检测:科技赋能安全管理的深度解析》
智能安全帽检测算法服务利用深度学习技术,实现实时、高精度的安全帽佩戴检测,显著提升建筑施工、工业生产等高风险行业的安全管理效率,减少安全事故。该服务通过便捷的设备接入、实时监测与报警、数据分析等功能,为企业提供全面的安全管理解决方案。
|
机器学习/深度学习 人工智能 算法
【人工智能课程】计算机科学博士作业三
本文是关于计算机科学博士课程的第三次作业,主要介绍了图片攻击的概念、常见算法(如FGSM、IFGSM、MIFGSM等),并通过Python代码实现了对图像的攻击以及评估了这些攻击算法对模型性能的影响。
191 3
【人工智能课程】计算机科学博士作业三
|
算法框架/工具 PyTorch 调度
PyTorch 2.2 中文官方教程(十五)(4)
PyTorch 2.2 中文官方教程(十五)
268 1
PyTorch 2.2 中文官方教程(十五)(4)
|
消息中间件 运维 应用服务中间件
容器化运维:构建高可用RabbitMQ集群的Docker Compose指南
容器化运维:构建高可用RabbitMQ集群的Docker Compose指南
1387 1