DeepGlint AI编程练习赛——对抗性攻击(详解，python)
DeepGlint AI编程练习赛——对抗性攻击(详解，python)
做这道题 ，只想做自己明明不那么优秀 ，还那么自信！各位大哥大姐，只有40分，40分，40分，不喜勿喷
这道题，我差点差点没背过气来，做了千万遍，最后发现可以用函数。好了 言归正传。
先来一遍正向传播吧，
Y= AX + B
题目把B去掉了，
感谢出题人
好感谢完之后 ，我们先看下 是不是 [1, 8] [8, 4] , [4,10]
的鬼样子呢？
那必须是？看不懂吗？ 那就是输出一个10维的向量啊，用于分类。
好，那接下来写函数吧，
不管三七二十一，先把两个函数写出来。
def Relu(vector):
res = []
for v in vector:
res.append(v if v > 0 else 0)
return res
def softmax(vector):
res = []
max_v = max(vector)
for v in vector:
res.append(math.exp(v - max_v))
res_sum = sum(res)
return [r / res_sum for r in res]
函数搞定，接下来怎么办呢？np.reshpe(),调用包是一件多么开心的事啊，可惜，一口老血。自己搞来吧！
简单粗暴，一个一个拿 这个总没问题吧，向量转矩阵了
def V_C(data, rows, cols):
new_data = []
for r in range(rows):
row_data = []
for c in range(cols):
row_data.append(data[r * cols + c])
new_data.append(row_data)
return new_data
好，最重要的一步来了，还记不记得kears， pytorch 中的全连接层，是不是感觉，造轮子的人真可爱。我么能不能也可爱一下下。奥特曼附身，我们也可以，哈哈。
def Full_c(vector, matrix):
res = []
for row in matrix:
tmp = 0
for i in range(len(vector)):
tmp += (row[i] * vector[i])
res.append(tmp)
return res
到这里 是不是发现了一个很严重的问题，我一直在创空间，看来完犊子了。先写吧，皮卡丘。
喜不喜欢我们曾经写的net函数
def net(x):
a = Full_c(x, w1)
r = Relu(a)
z = Full_c(r, w2)
y = softmax(z)
return y
到此为止正向传播的函数全部完成。
接下来我们看
由题我们可以看出来，此时要分两种情况去讨论：
一： 修改后发生改变
二：修改后不发生改变
第一步是找出，当前预测的最大值，以及最大值的索引
max_val = max(y)
max_idx = y.index(max_val)
接下来就是遍历了，
for n in range(N):
x_new = copy.deepcopy(x)
for ii in range(-128, 128):
if x[n] == ii:
continue
x_new[n] = ii
y = net(x_new)
new_max_val = max(y)
new_max_idx = y.index(new_max_val)
if (not new_max_idx == max_idx) and new_max_val > new_max_val_record:
new_max_val_record = new_max_val
new_max_idx_record = (n + 1)
sensitive_ii = ii
new_val_of_old_max_idx = y[max_idx]
if new_val_of_old_max_idx < val_of_old_max_idx:
val_of_old_max_idx = new_val_of_old_max_idx
no_change_sensitive_ii = ii
遍历好了，就输出吧。
再附上全部代码，以供参考，也恳请各位小哥哥，小姐姐，私信带来一个满分的解
import math
import copy
def V_C(data, rows, cols):
new_data = []
for r in range(rows):
row_data = []
for c in range(cols):
row_data.append(data[r * cols + c])
new_data.append(row_data)
return new_data
def Full_c(vector, matrix):
res = []
for row in matrix:
tmp = 0
for i in range(len(vector)):
tmp += (row[i] * vector[i])
res.append(tmp)
return res
def Relu(vector):
res = []
for v in vector:
res.append(v if v > 0 else 0)
return res
def softmax(vector):
res = []
max_v = max(vector)
for v in vector:
res.append(math.exp(v - max_v))
res_sum = sum(res)
return [r / res_sum for r in res]
def net(x):
a = Full_c(x, w1)
r = Relu(a)
z = Full_c(r, w2)
y = softmax(z)
return y
N, M = list(map(int, input().strip().split()))
x = list(map(int, input().strip().split()))
w1 = list(map(float, input().strip().split()))
w1 = V_C(w1, M, N)
w2 = list(map(float, input().strip().split()))
w2 = V_C(w2, 10, M)
y = net(x)
max_val = max(y)
max_idx = y.index(max_val)
new_max_val_record = -10
new_max_idx_record = -1
sensitive_ii = -129
val_of_old_max_idx = 10
no_change_sensitive_ii = -129
for n in range(N):
x_new = copy.deepcopy(x)
for ii in range(-128, 128):
if x[n] == ii:
continue
x_new[n] = ii
y = net(x_new)
new_max_val = max(y)
new_max_idx = y.index(new_max_val)
if (not new_max_idx == max_idx) and new_max_val > new_max_val_record:
new_max_val_record = new_max_val
new_max_idx_record = (n + 1)
sensitive_ii = ii
new_val_of_old_max_idx = y[max_idx]
if new_val_of_old_max_idx < val_of_old_max_idx:
val_of_old_max_idx = new_val_of_old_max_idx
no_change_sensitive_ii = ii
if not (new_max_idx_record == -1 and sensitive_ii == -129):
print(new_max_idx_record, sensitive_ii)
else:
print(max_idx, no_change_sensitive_ii)