# adv_ml

**Repository Path**: xiesan/adv_ml

## Basic Information

- **Project Name**: adv_ml
- **Description**: 目标是使用 MSTAR 数据集训练一个SAR的分类模型，并评估其在多种对抗攻击下的鲁棒性。并对未经过对抗训练的模型进行攻击测试，记录初始的攻击成功率。接着，将生成的对抗样本用于多轮对抗训练。使用相同的攻击方法再次评估模型的攻击成功率，并将对抗训练前后的攻击成功率进行对比。最后，将对比结果可视化，生成柱状图展示每种攻击方法在对抗训练前后的成功率，并将图像保存到指定目录中。

- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-11-03
- **Last Updated**: 2024-11-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README


# adv_ml

## 介绍
目标是使用 MSTAR 数据集训练一个 SAR 的分类模型，并评估其在多种对抗攻击下的鲁棒性。首先对未经过对抗训练的模型进行攻击测试，记录初始的攻击成功率。接着，将生成的对抗样本用于多轮对抗训练。使用相同的攻击方法再次评估模型的攻击成功率，并将对抗训练前后的攻击成功率进行对比。最后，将对比结果可视化，生成柱状图展示每种攻击方法在对抗训练前后的成功率，并将图像保存到指定目录中。

## 软件架构
- PyTorch: 用于构建和训练深度学习模型。
- torchvision: 提供常用的图像处理工具和数据集。
- torchattacks: 用于实现多种对抗攻击方法。
- matplotlib: 用于可视化攻击成功率的变化。

## 安装教程

1. 确保你已经安装了 Python 3.x。
2. 安装所需的 Python 包：
   ```bash
   pip install torch torchvision torchattacks matplotlib
   ```
3. 下载 MSTAR 数据集并解压到 `./data/mstar/` 目录。

## 使用说明

1. 运行以下命令以训练模型并评估攻击成功率：
   ```bash
   python main.py
   ```
2. 查看输出文件夹中的模型和可视化结果。
3. 通过修改代码中的参数，可以调整对抗训练的 epochs 和攻击方法。

## 参与贡献

1.xie_san