AI安全之对抗样本入门

本书是面向入门读者的对抗样本技术读物，作者以自身在安全领域的实践经验为基础，把人工智能安全中对抗样本这一前沿方向梳理成从原理到动手的完整学习路径。全书共 9 章：第 1 章从深度学习基础知识讲起，重点交代与对抗样本密切相关的梯度、范数、损失函数、反向传递与优化器等概念，并以 CNN 图像分类为主线，介绍 AlexNet、VGG、ResNet50、InceptionV3 等典型网络结构与常见性能衡量指标；第 2 章讲如何搭建学习对抗样本的软硬件环境，涉及 Anaconda、APT 与 Python 更新源、Jupyter notebook、TensorFlow、Keras、PyTorch、PaddlePaddle、AdvBox 以及 GPU 服务器；第 3 章介绍常见深度学习平台与预训练模型的使用；第 4 章补足图像格式与图像处理基础知识，为理解扰动生成技巧作准备；第 5 章系统讲解 FGSM、DeepFool、JSMA、CW 等经典白盒攻击算法；第 6 章转向黑盒攻击；第 7 章讨论对抗样本在目标检测领域的应用；第 8 章介绍常见加固与防御算法；第 9 章介绍常用对抗样本工具，并演示搭建 NIPS 2017 对抗防御环境与轻量级攻防对抗环境 robust-ml 的方法。书中的示例代码在 GitHub 上公开，便于读者边读边跑，在真实环境中生成对抗样本并开展攻防对比实验。