《Al安全之对抗样本入门》读书笔记 2
基本概念
范数
L0范数:在对抗样本中,常指对抗样本相对原始图片所修改像素的个数。
L1范数:也叫做曼哈顿距离、最小绝对误差,度量两个向量之间的差异,表示向量中非零元素的绝对值之和。
L2范数:欧氏距离就是L2范数,表示向量元素的平方再开方。指对抗样本相对原始图片所修改像素的变化量的平方和再开方。
无穷范数:Linf,用于度量向量元素的最大值,指对抗样本相对原始图片所修改像素的变化量绝对值的最大值。
基于CNN的图像分类 卷积神经网络
局部连接
参数共享
卷积处理后的图像的大小与卷积核无关,仅与步长有关,对应的隐藏层的节点个数也仅与步长有关。
卷积核处理图像边际时会出现数据缺失,需将图像补全,常见的补全方式same模式、valid模式。
same模式会使用0数据补全,保持生成图像与原始图像大小一致.
池化
例如:计算图像一个区域上的某个特定特征的平均值或最大值,这种聚合就叫做池化。
典型的卷积神经网络:
CNN常见组件:
卷积层:执行卷积操作提取底层到高层的特征,挖掘图片局部关联性质和空间不变性质
池化层:执行降采样操作。取卷积输出特征图中局部区块的最大值或均值。降采样可以过滤一些不重要的高频信息。
全连接层:
非线性变化:卷积层、全连接层后一般会接非线性变化层,例如Sigmoid、Tanh、ReLu等来增强网络的表达能力。
Dropout:
AlexNet:8层,包括3个卷积层和5个全连接层
参考:https://www.jianshu.com/p/00a53eb5f4b3
VGG:
常见性能衡量指标
混淆矩阵
二分类问题的混淆矩阵:
准确率(查准率)=TP/(TP+FP)
召回率(查全率)=TP/(TP+FN)
准确度是全体预测正确的样本占全部样本的比例,对检测结果的一个均衡评价F1_Score是对准确率和召回率的一个均衡评价
ROC(受试者工作特征)曲线以真阳性率为纵坐标,假阳性率为横坐标绘制的曲线。ROC越光滑说明算法过拟合的概率越低,越接近左上角说明分类性能越好。
AUC衡量ROC分类性能的指标。
《Al安全之对抗样本入门》读书笔记 2相关推荐
- 《ClickHouse原理解析与应用实践》读书笔记(7)
开始学习<ClickHouse原理解析与应用实践>,写博客作读书笔记. 本文全部内容都来自于书中内容,个人提炼. 第9章: <ClickHouse原理解析与应用实践>读书笔记( ...
- 《ClickHouse原理解析与应用实践》读书笔记(2)
开始学习<ClickHouse原理解析与应用实践>,写博客作读书笔记. 本文全部内容都来自于书中内容,个人提炼. 第一章 -> 第二章: <ClickHouse原理解析与应 ...
- 《ClickHouse原理解析与应用实践》读书笔记(1)
开始学习<ClickHouse原理解析与应用实践>,写博客作读书笔记. 本文全部内容都来自于书中内容,个人提炼. 前言和推荐 略过 第1章 ClickHouse的前世今生 跟ck没多大关系 ...
- ClickHouse原理解析与应用实践--摘录
一.ClickHouse的核心特性 1. 完备的DBMS功能 ClickHouse拥有完备的管理功能,所以它称得上是一个DBMS ( Database Management System,数据库管理系 ...
- clickhouse原理解析与应用实践_Hybrid App (混合应用) 技术全解析 方案原理篇
引言 随着 Web 技术和移动设备的快速发展,Hybrid 技术已经成为一种最主流最常见的方案.一套好的 Hybrid架构方案 能让 App 既能拥有极致的体验和性能,同时也能拥有 Web技术 灵活的 ...
- clickhouse原理解析与应用实践_编程好书推荐《Redis 深度历险:核心原理与应用实践》...
今天看到一本书,叫<Redis 深度历险:核心原理与应用实践>,作者叫钱文品(老钱),目前在掌阅科技出任资深开发工程师,这本书对redis的剖析还是挺深入的 对redis感兴趣的朋友可以买 ...
- clickhouse原理解析与应用实践 pdf_阿里专家分享内部绝密RocketMQ核心原理与最佳实践PDF...
前言 本文源码以RocketMQ 4.2.0 和 RocketMQ 4.3.0 为 基 础 , 从RocketMQ的实际使用到RocketMQ的源码分析,再到RocketMQ企业落地实践方案,逐步讲解 ...
- python基础学习[python编程从入门到实践读书笔记(连载一)]
写在前面:本文来自笔者关于<python编程从入门到实践>的读书笔记与动手实践记录. 程序员之禅 文章目录 02变量和简单数据类型 03 列表简介 04 操作列表 05 if语句 06 字 ...
- 推荐系统实践读书笔记-02利用用户行为数据
推荐系统实践读书笔记-02利用用户行为数据 为了让推荐结果符合用户口味,我们需要深入了解用户.如何才能了解一个人呢?<论语·公冶长>中说"听其言,观其行",也就是说可以 ...
- 推荐系统实践读书笔记-06利用社交网络数据
推荐系统实践读书笔记-06利用社交网络数据 自从搜索引擎谷歌诞生后,大家都在讨论互联网的下一个金矿是什么.现在,几乎所有的人都认为那就是社交网络.根据尼尔森2010年的报告,用户在互联网上22%的时间 ...
最新文章
- bzoj 1037: [ZJOI2008]生日聚会Party
- 微信支付报错:统一下单和拉起支付的appid不一致(原创)
- linux 查看cpu和磁盘使用情况
- android被逼学习布局管理器
- superset在云主机上的配置
- 基于Java+SpringBoot+vue+element实现物流管理系统
- 纯 js 让浏览器不缓存 ajax 请求
- 编译原理-LR分析技术(自己看)
- 计算机基础知识常用口诀,计算机基础知识(初中级教程)-20210712024844.pdf-原创力文档...
- Qt QDir相关笔记
- 数列极限导出重要无理数
- 有趣好玩的Linux之代码雨效果
- MySQL数据库基础——强大的select之二,更加精彩的功能
- NRF52832学习笔记(23)——GAP主机端连接
- python爬虫相关技术
- python2.7+PyQt5 制作桌面便签小程序
- Python 正则表达式学习----flags 编译标志位
- java 中调用支付宝支付功能的接口
- Safari浏览器导出数据(excel)文件名乱码, 后缀不对的问题
- 【PSV】GRAVITY DAZE(重力眩晕)