adversarial-attacks-pytorch

收录理由

做模型安全评估的工程师或研究机器学习的小组，想验证模型在恶意输入下会不会失效，这套库比论文里那种只供参考的示例代码更趁手。它把FGSM、PGD、CW、BIM这些经典攻击算法收进一个接口，风格和PyTorch一致，换一种扰动方式只需改一行类的实例化，不用重写整个攻击循环。在压力测试线上分类器、或者想看模型在某个攻击预算下的表现时，这能省不少事。攻击既支持有目标也支持无目标，还能把多种方法组合成集成攻击，遇到RNN这类特殊结构也能强制切换训练或评估模式。生成的对抗样本可以保存再加载，做可复现的鲁棒性测试集很方便。