Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
ychao_1983
6fdcfe8502
|
4 months ago | |
|---|---|---|
| cdata | 2 years ago | |
| data | 2 years ago | |
| images | 5 months ago | |
| mindspore | 5 months ago | |
| pytorch | 2 years ago | |
| result | 2 years ago | |
| README.md | 5 months ago | |
README.md
项目简介
启智的模型安全评测集成了“启智重明”（AISafety）项目的模型安全评测功能，识别算法模型中的缺陷，支持基于国产NPU算力资源测试和增强国产NPU模型安全。
启智重明项目是由北京航空航天大学刘祥龙教授团队开发，已进入启智的开源孵化管道，是一个用于对抗攻击全流程评测算法学习研究的 Python库，其主要研究内容为集成对抗攻击和噪声攻击相关的攻击算法、评测算法、加固防御算法。可灵活测试数据集质量、算法训练、评估和部署等算法全生命周期各项指标。
更多关于启智重明项目的信息，可以访问项目仓库地址（https://git.openi.org.cn/OpenI/AISafety）
快速开始
本项目为模型安全评测示例项目，目前模型安全评测，仅支持计算机视觉分类模型进行安全评测，相关使用说明介绍如下。
mindspore框架
使用步骤：
(1) 编写训练脚本，如：mindspore/cifar_resnet50.py
(2) 使用训练脚本进行训练任务，得到模型，创建训练任务选择参数如图所示：
(3) 训练完成之后，在“模型”--》“导入新模型”功能中选择训练任务进行模型导入，如图所示：
(4) 编写模型安全测试启动文件，参见：mindspore/cifar_npy_inference.py
这个脚本基于mindspore框架的推理脚本，读取系统给定的两个数据集及训练好的模型，进行两次推理，然后将结果保存并上传到OBS结果目录。
在mindspore框架下要使用模型安全评测，请参照此脚本进行修改，将此脚本中 个人修改开始 及 个人修改结束 的几行代码（有两处）替换成自己的即可。
(5) 在评测任务中，选择模型安全评测，进行安全评测，如下图所示：
参数1，选择模型：选择第3步中创建的模型。
参数2，启动文件：选择第4步编写的脚本。
参数3：选择源数据集及对抗数据集，目前只能选cifar及imagenet两种。
参数4：选择评测指标，指标说明，可以参见指标选项后面的？号提示。
pytorch框架
(1) 编写训练脚本，如：pytorch/safety_train.py
(2) 使用训练脚本进行训练任务，得到模型，创建训练任务选择参数如图所示（这里使用的镜像地址为：dockerhub.pcl.ac.cn:5000/user-images/openi:ubuntu16.04-python3.6-pytorch1.6-tensorboard2.0.2-cuda10.1）：
(3) 训练完成之后，在“模型”--》“导入新模型”功能中选择训练任务进行模型导入，如图所示：
(4) 编写模型安全测试启动文件，参见：pytorch/safety_test.py
基于pytorch框架的推理脚本，读取系统给定的两个数据集及训练好的模型，进行两次推理，然后将结果保存并上传到结果目录。
在pytorch框架下要使用模型安全评测，请参照此脚本进行修改，将此脚本中 个人修改开始 及 个人修改结束 的几行代码替换成自己的即可。
(5) 在评测任务中，选择模型安全评测，进行安全评测，如下图所示：
参数1，选择模型：选择第3步中创建的模型。
参数2，选择镜像：选择与训练任务相同的镜像，这里为：dockerhub.pcl.ac.cn:5000/user-images/openi:ubuntu16.04-python3.6-pytorch1.6-tensorboard2.0.2-cuda10.1
参数3，启动文件：选择第4步编写的脚本。
参数4，数据集：选择源数据集及对抗数据集，目前只能选cifar及imagenet两种。
参数5：选择评测指标，指标说明，可以参见指标选项后面的？号提示。
安全评测原理
模型安全性评测的原理为使用训练好的模型进行两次推理，第一次推理使用正常的测试数据集，如cifar-1000或者imangenet，得到推理结果，第二次推理则使用第一次使用的数据集通过对抗算法（如fgsm）重新生成的对抗数据集，第二次推理结果与第一次推理结果保存到同一个Json文件，然后评测算法通过这个Json对模型安全性进行评测。
推理样例代码inference.py 摘抄：
结果Json文件：
BDResult节点为正常测试数据集推理的结果。
CDResult节点为对抗数据集推理的结果，它有两个子节点，代表了使用两种对抗算法fgsm及pgd生成了两份对抗数据集，然后使用这两份对抗数据集进行了推理。
BDResult节点下的结果顺序与CDResult节点下子节点的结果顺序要一一对应，都对应同一张原图。数据集及对抗数据集文件组织示例图：
data对应了原始数据集，其下有1.jpg、2.jpg两个待测试文件，推理生成的结果对应了BDResult节点下数据，1.jpg为节点下第一个数据，2.jpg为节点下第二个数据。
cddata下有两个子目录，fgsm目录，代表了使用fgsm对抗算法对data下1.jpg、2.jpg重新生成了1.jpg\2.jpg，pgd目录，代表了使用pgd对抗算法对data下1.jpg、2.jpg重新生成了1.jpg\2.jpg。
