日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

關(guān)于OpenAttack

OpenAttack是一款專為文本對抗攻擊設(shè)計的開源工具套件，該工具基于Python開發(fā)，可以處理文本對抗攻擊的整個過程，包括預(yù)處理文本、訪問目標用戶模型、生成對抗示例和評估攻擊模型等等。

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)建站！專注于網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、微信平臺小程序開發(fā)、集團企業(yè)網(wǎng)站建設(shè)等服務(wù)項目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了涉縣免費建站歡迎大家使用！

功能&使用

OpenAttack支持以下幾種功能：

• 高可用性：OpenAttack提供了易于使用的API，可以支持文本對抗攻擊的整個過程;
• 全面覆蓋攻擊模型類型：OpenAttack支持句子/單詞/字符級擾動和梯度/分數(shù)/基于決策/盲攻擊模型;
• 靈活性強&可擴展：我們可以輕松攻擊定制目標用戶模型，或開發(fā)和評估定制的攻擊模型;
• 綜合評估：OpenAttack可以從攻擊有效性、對抗示例質(zhì)量和攻擊效率等方面全面評估攻擊模型;

OpenAttack的使用范圍非常廣，其中包括但不限于：

• 為攻擊模型提供各種評估基線;
• 使用其全面評估指標綜合評估攻擊模型;
• 借助通用攻擊組件，協(xié)助快速開發(fā)新的攻擊模型;
• 評估機器學習模型對各種對抗攻擊的魯棒性;
• 通過使用生成的對抗示例豐富訓(xùn)練數(shù)據(jù)，進行對抗訓(xùn)練以提高機器學習模型的魯棒性;

工具模塊

工具安裝

我們可以使用pip安裝，或者克隆該項目源碼來安裝OpenAttack。

使用pip安裝(推薦)：

 
 
 

  
  
  
pip install OpenAttack 
 
 
 

克隆代碼庫：

 
 
 

  
  
  
git clone https://github.com/thunlp/OpenAttack.git 
  
  
  
cd OpenAttack  
  
  
  
python setup.py install 
 
 
 

安裝完成之后，我們可以嘗試運行“demo.py”來檢測OpenAttack是否能夠正常工作：

使用樣例

(1) 基礎(chǔ)使用：使用內(nèi)置攻擊模型

OpenAttack內(nèi)置了一些常用的文本分類模型，如LSTM和BERT，以及用于情感分析的SST和用于自然語言推理的SNLI等數(shù)據(jù)集。

以下代碼段顯示了如何使用基于遺傳算法的攻擊模型攻擊SST數(shù)據(jù)集上的BERT：

 
 
 

  
  
  
import OpenAttack as oa  
  
  
  
# choose a trained victim classification model  
  
  
  
victim = oa.DataManager.load("Victim.BERT.SST")  
  
  
  
# choose an evaluation dataset  
  
  
  
dataset = oa.DataManager.load("Dataset.SST.sample")  
  
  
  
# choose Genetic as the attacker and initialize it with default parameters  
  
  
  
attacker = oa.attackers.GeneticAttacker()  
  
  
  
# prepare for attacking  
  
  
  
attack_eval = oa.attack_evals.DefaultAttackEval(attacker, victim)  
  
  
  
# launch attacks and print attack results  
  
  
  
attack_eval.eval(dataset, visualize=True) 
 
 
 

(2) 高級使用：攻擊自定義目標用戶模型

下面的代碼段顯示了如何使用基于遺傳算法的攻擊模型攻擊SST上的自定義情緒分析模型：

 
 
 

  
  
  
import OpenAttack as oa  
  
  
  
import numpy as np  
  
  
  
from nltk.sentiment.vader import SentimentIntensityAnalyzer 
  
  
  
 
  
  
  
   
  
  
  
# configure access interface of the customized victim model  
  
  
  
class MyClassifier(oa.Classifier):  
  
  
  
    def __init__(self):  
  
  
  
        self.model = SentimentIntensityAnalyzer()  
  
  
  
    # access to the classification probability scores with respect input sentences  
  
  
  
    def get_prob(self, input_):  
  
  
  
        rt = []  
  
  
  
        for sent in input_:  
  
  
  
            rs = self.model.polarity_scores(sent)  
  
  
  
            prob = rs["pos"] / (rs["neg"] + rs["pos"])  
  
  
  
            rt.append(np.array([1 - prob, prob]))  
  
  
  
        return np.array(rt)  
  
  
  
# choose the costomized classifier as the victim model  
  
  
  
victim = MyClassifier()  
  
  
  
# choose an evaluation dataset 
  
  
  
dataset = oa.DataManager.load("Dataset.SST.sample")  
  
  
  
# choose Genetic as the attacker and initialize it with default parameters  
  
  
  
attacker = oa.attackers.GeneticAttacker()  
  
  
  
# prepare for attacking  
  
  
  
attack_eval = oa.attack_evals.DefaultAttackEval(attacker, victim)  
  
  
  
# launch attacks and print attack results  
  
  
  
attack_eval.eval(dataset, visualize=True) 
 
 
 

項目地址

OpenAttack：【GitHub傳送門】

網(wǎng)頁名稱：如何使用OpenAttack進行文本對抗攻擊
當前網(wǎng)址：http://www.5511xx.com/article/dpipgge.html