利用Keras实现FGSM算法

改正了利用Keras实现FGSM算法里的一些错误，并添加了一些注释

import numpy as np
from keras import backend, losses

def FGSM(model, image, y_true, eps=0.1):
    # image 是 cv2 或者 plt 读取的图像
    y_pred = model.output
    # y_true: 目标真实值的张量。
    # y_pred: 目标预测值的张量。
    loss = losses.categorical_crossentropy(y_true, y_pred)
    gradient = backend.gradients(loss, model.input)
    gradient = gradient[0]

    adv = image + backend.sign(gradient) * eps
    # fgsm算法.整个程序最重要的其实就只有这一行

    sess = backend.get_session()

    adv = sess.run(adv, feed_dict={model.input: np.array([image])})
    # 注意这里传递参数的情况
    adv = np.clip(adv, 0, 1)
    # np.clip(adv, 0, 255) #看自己情况选择 1 或者 255 
    # 有的像素点会超过255，需要处理
    return adv

def FGSM_attack(model,img,img_number, eps=0.2):#epsilons=20):
    print("如果帮助到了你，点个赞可以吗？")
    # fgsm攻击 函数调用
    # 下面部分代码(图像处理)需要根据自己的攻击图像的实际情况进行修改
    # # 加载准备攻击的模型，对要攻击的图形进行转换
    lpr_model = model
    
    img_convert=img

    ret_predict = lpr_model.predict_classes(np.array([img_convert]))  # 进行预测
    # 获取预测结果的one-hot编码，在攻击时需要用到
    # 是为了求得上一个函数中的 y_true
    # for example: if you use the keras to predict the MNIST,
    # then the shape of label will be (N,)
    # every label can be 0,...,9
    # The shape of one-hot will be (N,10)
    # one-hot[1]=[0., 1., 0., ..., 0., 0., 0.]
    label = np.zeros([1, 10])
    label[:,img_number]=1

    # print("开始使用FGSM进行攻击")
    # 计算eps的值，这里是N等分
    # epsilons = np.linspace(0, 1, num=epsilons + 1)[1:]
    # 使用循环来逐渐增加攻击的强度
    img_attack = FGSM(lpr_model, img_convert, label, eps=eps)
    attack_label = lpr_model.predict_classes(img_attack)
    if attack_label[0] != ret_predict[0]:
        print('攻击成功，前为：',ret_predict,', 后为：', attack_label)
    else:
        print('攻击失败')
    return img_attack
    # 返回对抗样本（图像） 

使用时直接调用 FGSM_attack 函数就可以得到图像了

GOOD LUCK