Skip to content
KitploitKITPLOIT
ИнструментыБлог
Отправить
ИнструментыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

··Ленты·Контакты·Конфиденциальность·© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
Инструменты/GitHubGitHub/bethgelab/foolbox
Анализ уязвимостейМашинное ОбучениеБезопасность ИИСостязательная Атака
GitHubbethgelab/foolbox

foolbox

Python-инструментарий для создания состязательных примеров, которые обманывают нейронные сети в PyTorch, TensorFlow и JAX

Репозиторий
3.0k4428 месяцев назадПроверено Kitploit

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →
Поделиться
Сайт

home: true heroImage: /logo.png heroText: Foolbox tagline: "Foolbox: быстрые состязательные атаки для оценки устойчивости моделей машинного обучения в PyTorch, TensorFlow и JAX" actionText: Начать → actionLink: /guide/ features:

  • title: Нативная производительность details: Foolbox 3 построен на базе EagerPy и работает нативно в PyTorch, TensorFlow и JAX.
  • title: Современные атаки details: Foolbox предоставляет большую коллекцию современных состязательных атак, основанных на градиентах и на решениях.
  • title: Проверка типов details: Ловите ошибки до запуска кода благодаря обширным аннотациям типов в Foolbox. footer: Авторские права © 2022 Jonas Rauber, Roland S. Zimmermann

Что такое Foolbox?

Foolbox — это Python-библиотека, которая позволяет легко запускать состязательные атаки против моделей машинного обучения, таких как глубокие нейронные сети. Она построена на базе EagerPy и работает нативно с моделями в PyTorch, TensorFlow и JAX.

root@kitploit:~
import foolbox as fb

model = ...
fmodel = fb.PyTorchModel(model)

attack = fb.attacks.LinfPGD()
epsilons = [0.0, 0.001, 0.01, 0.03, 0.1, 0.3, 0.5, 1.0]
advs, _, success = attack(fmodel, images, labels, epsilons=epsilons)
Скачать инструмент