如何系统地欺骗图像识别神经网络( 三 ) 本文最初发表于TowardsDataScience博客

走出数据集的限制性和完美条件的世界，进入不那么有序的现实世界变得越来越重要。通过发现有效的策略来欺骗我们的图像识别模型，我们就可以在它们被用于更恶意的目的之前对其进行屏蔽。
推荐阅读

《解释和利用对抗性样本》（Explaining and Harnessing Adversarial Examples）， Goodfellow 等人。该论文以比本文更严谨的数学方法禁烧了 FGSM ，并对实验结果进行了深入分析，讨论了 FGSM 的卢纶解释和启示。
《建立抵抗对抗性攻击的深度学习模型》（Towards Deep Learning Models Resistant to Adversarial Attacks）， Madry 等人。在 FGSM 的研究工作的基础上，开发了一种更为复杂的对抗性样本生成方法。
《 TensorFlow 教程：FGSM 的对抗性样本》（TensorFlow Tutorial: Adversarial Example with FGSM）。在 TensorFlow 中实现 FGSM 的代码教程。

作者介绍：
Andre Ye ， Critiq 联合创始人。机器学习、计算机科学与数学爱好者。
原文链接：
关注我并转发此篇文章，私信我“领取资料” ，即可免费获得InfoQ价值4999元迷你书，点击文末「了解更多」，即可移步InfoQ官网，获取最新资讯～