实验一：手把手教你使用TensorFlow生成对抗样本

转载自：阿里云

https://yq.aliyun.com/articles/149583?utm_content=m_27089

代码实现：C:\Users\Josie\AppData\Local\Programs\Python\Python35\Scripts\1\1.Backpropagation.ipynb

参考论文：1.Synthesizing Robust Adversarial Examples.pdf

1.2  Synthesizing Robust Adversarial Examples  这篇和第一篇应该是一样的，有些许的不同

是第一篇论文的拓展复现：

对应github上下载的代码：https://github.com/prabhant/synthesizing-robust-adversarial-examples

下载到本地存放在：C:\Users\Josie\AppData\Local\Programs\Python\Python35\Scripts\1\synthesizing-robust-adversarial-examples-master

 

2.反向传播：Calculus on Computational Graphs Backpropagation   

http://colah.github.io/posts/2015-08-Backprop/?spm=a2c4e.11153940.blogcont149583.20.4ab360c05me4Uv

3.对抗样本：Intriguing properties of neural networks

4.转移到物质世界：Adversarial examples in the physical world

19.介绍Inception-v3的论文：Rethinking the Inception Architecture for Computer Vision

 

注释：

1、ImageNet is an image database organized according to the WordNet hierarchy (currently only the nouns), in which each node of the hierarchy is depicted by hundreds and thousands of images. Currently we have an average of over five hundred images per node. We hope ImageNet will become a useful resource for researchers, educators, students and all of you who share our passion for pictures. 

ImageNet是根据WordNet层次结构（当前只是名词）组织的图像数据库，其中层次结构的每个节点由数百和数千个图像描绘。 目前，我们每个节点平均有超过500个图像。 我们希望ImageNet将成为研究人员，教育工作者，学生以及所有分享我们对图片的热情的所有人的有用资源。

2、TensorFlow-slim图像分类库：

https://blog.csdn.net/chaipp0607/article/details/74139895

https://blog.csdn.net/yifen4234/article/details/80252189

https://blog.csdn.net/u010197508/article/details/72909446

TF-slim是用于定义，训练和评估复杂模型的TensorFlow（tensorflow.contrib.slim）的新型轻量级高级API。 该目录包含了几种广泛使用的卷积神经网络（CNN）图像分类模型的训练和测试代码。它包含脚本，允许您从头开始训练模型或从预训练（pre-train）的模型进行fine-tune。 它还包含用于下载标准图像数据集的代码，将其转换为TensorFlow的TFRecord格式，并可以使用TF-Slim的数据读取和队列程序进行读取。您可以轻松地使用这些数据集进行任意模型的训练，如下所示。