10. 在CNN训练中结合使用正常图像与对抗性图像（含Python代码及数据集）

简介：
本研究探讨了在CNN模型训练过程中同时利用正常图像和对抗性图像的方法，并提供Python代码和相关数据集，以提升模型鲁棒性和准确性。 在本教程中，您将学习如何在训练过程中生成（1）正常图像和（2）对抗性图像的批次。这样做可以提高模型对泛化能力和防御对抗攻击的能力。 上周我们介绍了一种简单的防御方法来应对对抗性攻击：该方法包括三个步骤： 首先，在原始训练集上训练CNN； 接着，从测试集或等效维护集中生成对抗样本； 最后，使用这些对抗样本来微调网络。 尽管这种方法效果良好，但我们可以通过调整训练过程进一步改进。 我们不需要在一组特定的对抗示例上进行微调来达到这一目的；而是可以修改批量数据生成的过程本身。 当我们训练神经网络时，通常会将数据分成若干批次处理。每个批次都是整个训练集的一个子集，并且其大小一般为2的幂次方（如8、16、32等）。对于每一个这样的小批量数据，我们执行前向传播计算损失值，然后进行反向传播调整网络权重，这是大多数神经网络的标准训练流程。 为了将对抗性示例纳入标准训练过程之中： 首先初始化我们的模型； 接着选择总共N个随机的训练样本； 利用FGSM等技术生成同样数量（即N）的对抗样本来匹配这些原始数据点； 然后合并这两个集合构成一个大小为Nx2的数据批次用于后续处理。 在这样的批量中，同时包含对抗性示例和正常训练图像来更新模型参数。 这种方法的优点在于它允许模型从自身经验学习，并且能够更好地适应各种输入。