pacchetto robustness

Installa via pip: pip install robustness

Leggi la documentazione: https://robustness.readthedocs.io/en/latest/index.html

robustness è un pacchetto che noi (studenti del MadryLab <http://madry-lab.ml>_) abbiamo creato per rendere flessibile e semplice l'addestramento, la valutazione e l'esplorazione di reti neurali. Lo usiamo in quasi tutti i nostri progetti (che coinvolgano o meno l'addestramento avversariale!) e sarà una dipendenza in molte delle nostre prossime release di codice. Alcuni progetti che utilizzano la libreria includono:

• Codice per "Learning Perceptually-Aligned Representations via Adversarial Robustness" <https://github.com/MadryLab/robust_representations>_ (https://arxiv.org/abs/1906.00945)
• Codice per "Image Synthesis with a Single (Robust) Classifier" <https://github.com/MadryLab/robustness_applications>_ (https://arxiv.org/abs/1906.09453)
• Codice per "Do Adversarially Robust ImageNet Models Transfer Better?" <https://github.com/microsoft/robust-models-transfer>_ (https://arxiv.org/abs/2007.08489)
• Codice per "BREEDS: Benchmarks for Subpopulation Shift" <https://github.com/MadryLab/BREEDS-Benchmarks>_ (https://arxiv.org/abs/2008.04859)
• Codice per "Certified Patch Robustness via Smoothed Vision Transformers." <https://github.com/MadryLab/smoothed-vit>_ (https://arxiv.org/abs/2110.07719)
• Codice per "Unadversarial Examples: Designing Objects for Robust Vision." <https://github.com/microsoft/unadversarial>_ (https://arxiv.org/abs/2012.12235)

Mostriamo come usare la libreria in una serie di walkthrough e nel nostro riferimento API. Le funzionalità offerte dalla libreria includono:

• Addestramento e valutazione di modelli standard e robusti per una varietà di dataset/architetture tramite un'interfaccia CLI <https://robustness.readthedocs.io/en/latest/example_usage/cli_usage.html>. La libreria offre anche supporto per l'aggiunta di dataset personalizzati <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html#training-on-custom-datasets> e architetture di modelli <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html#training-with-custom-architectures>_.

.. code-block:: bash

python -m robustness.main --dataset cifar --data /path/to/cifar
--adv-train 0 --arch resnet18 --out-dir /logs/checkpoints/dir/

• Esecuzione di manipolazione dell'input <https://robustness.readthedocs.io/en/latest/example_usage/input_space_manipulation.html>_ utilizzando modelli robusti (o standard)---questo include la creazione di esempi avversariali, l'inversione delle rappresentazioni, la visualizzazione delle feature, ecc. La libreria offre una varietà di opzioni di ottimizzazione (ad es. scelta tra gradienti reali/stimati, base di Fourier/pixel, funzioni di loss personalizzate, ecc.) ed è facilmente estendibile.

.. code-block:: python

import torch as ch from robustness.datasets import CIFAR from robustness.model_utils import make_and_restore_model

ds = CIFAR('/path/to/cifar') model, _ = make_and_restore_model(arch='resnet50', dataset=ds, resume_path='/path/to/model', state_dict_path='model') model.eval() attack_kwargs = { 'constraint': 'inf', # L-inf PGD 'eps': 0.05, # Epsilon constraint (L-inf norm) 'step_size': 0.01, # Learning rate for PGD 'iterations': 100, # Number of PGD steps 'targeted': True # Targeted attack 'custom_loss': None # Use default cross-entropy loss }

_, test_loader = ds.make_loaders(workers=0, batch_size=10) im, label = next(iter(test_loader)) target_label = (label + ch.randint_like(label, high=9)) % 10 adv_out, adv_im = model(im, target_label, make_adv, **attack_kwargs)

• Importare robustness come pacchetto, che consente un facile addestramento di reti neurali con supporto per funzioni di loss personalizzate, logging, caricamento dei dati e altro ancora! Una buona introduzione si trova nella nostra guida in due parti (Parte 1 <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_1.html>, Parte 2 <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html>).

.. code-block:: python

from robustness import model_utils, datasets, train, defaults from robustness.datasets import CIFAR

We use cox (http://github.com/MadryLab/cox) to log, store and analyze

results. Read more at https//cox.readthedocs.io.

from cox.utils import Parameters import cox.store

Hard-coded dataset, architecture, batch size, workers

ds = CIFAR('/path/to/cifar') m, _ = model_utils.make_and_restore_model(arch='resnet50', dataset=ds) train_loader, val_loader = ds.make_loaders(batch_size=128, workers=8)

Create a cox store for logging

out_store = cox.store.Store(OUT_DIR)

Hard-coded base parameters

train_kwargs = { 'out_dir': "train_out", 'adv_train': 1, 'constraint': '2', 'eps': 0.5, 'attack_lr': 1.5, 'attack_steps': 20 } train_args = Parameters(train_kwargs)

Fill whatever parameters are missing from the defaults

train_args = defaults.check_and_fill_args(train_args, defaults.TRAINING_ARGS, CIFAR) train_args = defaults.check_and_fill_args(train_args, defaults.PGD_ARGS, CIFAR)

Train a model

train.train_model(train_args, m, (train_loader, val_loader), store=out_store)

Nota: robustness richiede che PyTorch sia installato con supporto CUDA.

Modelli pre-addestrati

Oltre al codice di addestramento, rilasciamo una serie di modelli pre-addestrati per diversi dataset, norme e valori di ε-train. Questo elenco verrà aggiornato man mano che rilasciamo modelli nuovi o migliorati. Se utilizzi questi modelli nella tua ricerca, ti preghiamo di citare questa libreria (vedi la voce bibtex di seguito).

Per ogni combinazione (modello, ε-test) valutiamo PGD a 20 passi e a 100 passi con un passo di 2.5 * ε-test / num_steps. Poiché queste due accuratezze sono abbastanza vicine tra loro, non consideriamo ulteriori passi di PGD. Per ogni valore di ε-test, evidenziamo in grassetto la migliore accuratezza robusta ottenuta sui diversi ε-train.

Nota #1: Non abbiamo eseguito alcuna ottimizzazione degli iperparametri e abbiamo semplicemente usato gli stessi iperparametri dell'addestramento standard. È probabile che esplorare diversi iperparametri di addestramento aumenti queste accuratezze robuste di alcuni punti percentuali.

Nota #2: I file checkpoint PyTorch (.pt) qui sotto sono stati salvati con le seguenti versioni di PyTorch e Dill:

.. code-block::

torch==1.1.0 dill==0.2.9

CIFAR10 norma L2 (ResNet50):

• ε = 0.0 <https://www.dropbox.com/s/yhpp4yws7sgi6lj/cifar_nat.pt?dl=0>_ (addestramento standard)
• ε = 0.25 <https://www.dropbox.com/s/2qsp7pt6t7uo71w/cifar_l2_0_25.pt?dl=0>_
• ε = 0.5 <https://www.dropbox.com/s/1zazwjfzee7c8i4/cifar_l2_0_5.pt?dl=0>_
• ε = 1.0 <https://www.dropbox.com/s/s2x7thisiqxz095/cifar_l2_1_0.pt?dl=0>_