基于转换的攻击，本综述系列的第三部分。看的迷迷糊糊的，主要是很多都不懂，先大致了解，以后用到了再补。 1 添加动量到迭代中 为了提高对抗样本的迁移能力，提出将基于优化的攻击与多种手段相结合。 1.1 MI-FGSM 在迭代过程中添加动量，比如 MI-FGSM攻击。动量法可以更快的收敛和更少的震荡。MI-FGSM算法可以被写出如下形式: image-202312221425002

这次是承接上次的文章，是第二部分，主要总结黑盒攻击部分。 0 黑盒攻击介绍 实际情况下，攻击者不可能知道模型的结构、参数等。所以黑盒攻击才是更贴合实际的场景。 1 PBAAML（迁移攻击） 攻击者在本地训练一个替代模型，它和目标模型执行可以执行一样的任务。那么针对本地的对抗样本也可以攻击目标模型。训练替代模型以接近目标模型是具有挑战性的。首先不知道原始模型的结构，其次查询次数应该是被限制的

A Review of Adversarial Attacks in Computer Vision 综述一般都比较长，打算分几次来写，这部分打算写白盒攻击场景下的攻击方法。 文章第一个是主要参考文献的发表日期，第二部分表示本次文章是针对本次综述的第几部分。比如这里就是表示2023年的文章，本文是本系列的第一部分。 这篇文章系列以A Review of Adversarial Attacks

0 摘要 主流的序列转导模型是基于循环或者卷积神经网络，基本上是一个编码器和解码器。表现比较好的就是使用了注意力来连接编码器和解码器。并且，我们提出了一个新的架构叫做transformer，它完全基于注意力机制，省去了卷积和循环。 1 介绍 循环神经网络已经被认为是序列模型转换问题的最佳解决办法，因此许多努力都在推动编码器-解码器的发展。 循环神经网络最大的限制就是没办法进行并行计算，这很

1 自编码器简介 自编码器最初提出的目的是为了学习到数据的主要规律，进行数据压缩，或特征提取，是一类无监督学习的算法。后续各种改进的算法，使得自编码器具有生成能力，例如变分自编码器（VAE）的图像生成能力。 本次放的代码都是线性版本，在我的仓库中还有cnn版本，毕竟线性版本只能处理一下这种mnist小数据集。地址：https://github.com/Guoxn1/ai。 2 线性自编码器

1 简介 循环神经网络被广泛运用于自然语言处理，但是他们都各有各的优缺点。 2 rnn 循环神经网络，鼻祖。 RNN是最基本的循环神经网络形式，它通过将当前的输入与上一个时间步的隐藏状态相结合，来产生输出和更新隐藏状态。然而，传统的RNN存在梯度消失和梯度爆炸等问题，导致长期依赖关系难以捕捉。 产生梯度消失和爆炸主要是由于序列共用隐藏层，反向传播导致出现连乘，且激活函数在偏离原点时取值较

题目：用于图像识别的深度残差学习 0 摘要 上来先提出问题：更深的神经网络更难训练，所以作者提出了本文要介绍的残差网络，来解决这个事情。这样的模型不仅更深而且复杂度更低，取得了非常不错的效果。 1 介绍 开头先说明深度卷积神经网络的贡献，深度是能进行很好分类的关键。提出第一个问题，梯度消失和梯度爆炸，这个问题已经被初始归一化和中间层归一化极大缓解；提出第二个问题，随着网络深度的增加，准确率

题目：使用深度卷积神经网络对ImageNet进行分类 0 摘要 作者训练了一个大型深度卷积神经网络来对ImageNet进行分类，效果比之前所有的效果都好。它包含5个卷积层，中间还有池化层，最后三个全连接层(softmax)，输出1000类的分类结果。为了训练更快，使用了非饱和神经元（其实是非饱和激活函数，也就是relu）和一个性能很好的gpu（现在已经不太行，当时确实不错）。为了减少全连接层的

1 对花数据集进行分类 原址：https://gitlab.diantouedu.cn/QY/test1/tree/master。 本文代码：https://github.com/Guoxn1/ai。 数据集需要自行从原址处下载。 image-20231129092517757 大致如下，一共分为训练集和测试集，一共五种花。本文使用自构建的alexnet和pretrained

1 简介 这里介绍一些在初学过程中可能碰到的一些常见的经典问题，其实还是蛮有意思的，就当成一种经验的积累。 这篇博客应该会一直更新，但是可能最后会很大，可能会分好几个，或者是分类一下。 2 预训练阶段 2.1 神经网络参数的初始化方式有哪些，为什么不能把w都初始化成一个值？ 其实不同的初始化方式，就是来把w初始化成不同的随机值。首先说一下为什么不能把w初始成同一个值，尤其是0。如果全为