mindarmour
MindArmour是MindSpore的工具箱，用于增强模型可信，实现隐私保护机器学习。
-
class mindarmour.Attack[源代码]
所有通过创建对抗样本的攻击类的抽象基类。
对抗样本是通过向原始样本添加对抗噪声来生成的。
-
batch_generate(inputs, labels, batch_size=64)[源代码]
根据输入样本及其标签来批量生成对抗样本。
- 参数：
inputs (Union[numpy.ndarray, tuple]) - 生成对抗样本的原始样本。
labels (Union[numpy.ndarray, tuple]) - 原始/目标标签。若每个输入有多个标签，将它包装在元组中。
batch_size (int) - 一个批次中的样本数。默认值：64。
- 返回：
-
-
abstract generate(inputs, labels)[源代码]
根据正常样本及其标签生成对抗样本。
- 参数：
inputs (Union[numpy.ndarray, tuple]) - 生成对抗样本的原始样本。
labels (Union[numpy.ndarray, tuple]) - 原始/目标标签。若每个输入有多个标签，将它包装在元组中。
- 异常：
-
-
class mindarmour.BlackModel[源代码]
将目标模型视为黑盒的抽象类。模型应由用户定义。
-
is_adversarial(data, label, is_targeted)[源代码]
检查输入样本是否为对抗样本。
- 参数：
data (numpy.ndarray) - 要检查的输入样本，通常是一些恶意干扰的样本。
label (numpy.ndarray) - 对于目标攻击，标签是受扰动样本的预期标签。对于无目标攻击，标签是相应未扰动样本的原始标签。
is_targeted (bool) - 对于有目标/无目标攻击，请选择 True / False。
- 返回：
bool。
如果为 True，则输入样本是对抗性的。
如果为 False，则输入样本不是对抗性的。
-
abstract predict(inputs)[源代码]
使用用户指定的模型进行预测。预测结果的shape应该是 \((m, n)\)，其中n表示此模型分类的类数。
- 参数：
-
- 异常：
-
-
class mindarmour.Detector[源代码]
所有对抗样本检测器的抽象基类。
-
abstract detect(inputs)[源代码]
从输入样本中检测对抗样本。
- 参数：
-
- 异常：
-
-
abstract detect_diff(inputs)[源代码]
计算输入样本和去噪样本之间的差值。
- 参数：
-
- 异常：
-
-
abstract fit(inputs, labels=None)[源代码]
拟合阈值，拒绝与去噪样本差异大于阈值的对抗样本。当应用于正常样本时，阈值由假正率决定。
- 参数：
-
- 异常：
-
-
abstract transform(inputs)[源代码]
过滤输入样本中的对抗性噪声。
- 参数：
-
- 异常：
-
-
class mindarmour.Defense(network)[源代码]
所有防御类的抽象基类，用于防御对抗样本。
- 参数：
-
-
batch_defense(inputs, labels, batch_size=32, epochs=5)[源代码]
对输入进行批量防御操作。
- 参数：
inputs (numpy.ndarray) - 生成对抗样本的原始样本。
labels (numpy.ndarray) - 输入样本的标签。
batch_size (int) - 一个批次中的样本数。默认值：32。
epochs (int) - epochs的数量。默认值：5。
- 返回：
-
- 异常：
-
-
abstract defense(inputs, labels)[源代码]
对输入进行防御操作。
- 参数：
-
- 异常：
-