### 使用 PyTorch 和 Foolbox 生成对抗样本 为了使用 PyTorch 和 Foolbox 生成对抗样本，需先安装必要的库。可以通过 pip 安装 `foolbox` 及其依赖项。 ```bash pip install foolbox torchvision torch ``` 下面是一个完整的代码示例来展示如何利用 Fast Gradient Sign Method (FGSM) 创建对抗样本： #### 导入所需模块 ```python import torch from torchvision import models, transforms from PIL import Image import matplotlib.pyplot as plt import numpy as np import foolbox ``` #### 初始化预训练模型和转换器 ```python model = models.resnet18(pretrained=True).eval() preprocessing = dict(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) fmodel = foolbox.models.PyTorchModel(model, bounds=(0, 1), num_classes=1000, preprocessing=preprocessing) transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), ]) image = transform(Image.open('example.jpg')).unsqueeze(0) label = torch.tensor([281]) # 假设这是目标类别索引 ``` #### 应用 FGSM 攻击算法 ```python attack = foolbox.attacks.FGSM(fmodel) adversarial = attack(image.numpy(), label.numpy()) if adversarial is not None: adv_image_tensor = torch.from_numpy(adversarial) else: adv_image_tensor = image.squeeze() # 显示原图与对抗样本对比 plt.figure(figsize=(10, 5)) for i, img in enumerate([image.squeeze().permute(1, 2, 0), adv_image_tensor.permute(1, 2, 0)]): plt.subplot(1, 2, i + 1) plt.imshow(np.clip(img.detach().numpy() * np.array(preprocessing['std'])[:, None, None] + np.array(preprocessing['mean'])[:, None, None], 0, 1)) plt.axis('off') plt.show() ``` 上述过程展示了如何加载图片、应用变换以及执行一次简单的对抗攻击[^1]。此脚本会尝试创建一个能够误导分类器的轻微修改版本的输入图像，同时保持视觉上的相似性。