5.2.5 使用tensorflow生成对抗样本
    下面介绍在tensorflow平台生成对抗样本的基本过程，示例代码为：
    https://github.com/duoergun0729/adversarial_examples/blob/master/code/
    5-case2-tensorflow-pb.ipynb
    在示例中，通过损失函数在反向传递过程中直接调整原始图像的值，直到满足最大迭代次数或者对抗样本预测值达到预期为止，这里需要指出的是inception和alexnet模型中相同物体对应的标签是不一样的，比如熊猫在inception中为169，在alexnet中为388，如图5-8所示。
    图5-8 使用tensorflow生成对抗样本的流程
    首先加载使用的库文件，被攻击的模型是pb格式，tensorflow把计算图以及模型参数都保存在一个pb文件中，因此不用额外引入模型计算图定义的库。
    import numpy as np
    from pil import image
    import tensorflow as tf
    import re
    创建会话并定义可以训练的变量adv，adv保存攻击样本，target为定向攻击的标签值。
    session=tf.session()
    #adv为对抗样本可以被训练和修改的量
    adv = tf.get_variable(name="adv", shape=[1,100,100,3], dtype=tf.float32,
    initializer=tf.zeros_initializer)
    target = tf.placeholder(tf.int32)
    从pb文件中还原出计算图，并与当前会话关联。在还原计算图的过程中，把输入的tensor与adv关联起来，从而达到把变量adv变成计算图输入的目的。
    def create_graph(dirname):
    with tf.gfile.fastgfile(dirname, 'rb') as f:
    graph_def = session.graph_def
    graph_def.parsefromstring(f.read())
    _ = tf.import_graph_def(graph_def, name='adv',
    input_map={"expanddims:0":adv} )
    #从'http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz'下载并解压到指定路径
    create_graph("models/classify_image_graph_def.pb")
    完成计算图和tensor的定义后，也只是完成了定义全部变量，并没有完成初始化操作，需要通过tf.global_variables_initializer手工进行初始化。
    # 初始化参数非常重要
    session.run(tf.global_variables_initializer())
    tensorlist=[n.name for n in session.graph_def.node]
    #这里注意，一定要查看当前tensor的名称，因为导入pb时指定了名称前缀adv
    softmax_tensor = session.graph.get_tensor_by_name('adv_1/softmax:0')
    logits_tensor=session.graph.get_tensor_by_name('adv_1/softmax/logits:0')
    对原始图像进行预测，并显示top3的预测值。
    imagename="../picture/cropped_panda.jpg"
    image=np.array(image.open(imagename).convert('rgb')).astype(np.float32)
    #[100,100,3]->[1,100,100,3]
    image=np.expand_dims(image, axis=0)
    predictions = session.run(softmax_tensor,
    {adv: image})
    predictions = np.squeeze(predictions)
    # creates node id --> english string lookup.
    node_lookup = nodelookup()
    #获得top 3预测结果
    top_k = predictions.argsort()[-3:][::-1]
    for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    score = predictions[node_id]
    print('%s (score = %.5f)(id = %d)' % (human_string, score,node_id))
    在图像分类领域，经常使用top3或者top5的预测值，衡量准确率和错误率时也使用top3或者top5的预测值来计算，比如top3预测值中有一个正确，也可以理解为预测正确，反之亦然。本例中的预测结果top1就是熊猫，满足预期。
    giant panda, panda, panda bear, coon bear, ailuropoda melanoleuca (score =
    0.89233)(id = 169)
    indri, indris, indri indri, indri brevicaudatus (score = 0.00859)(id = 75)
    lesser panda, red panda, panda, bear cat, cat bear, ailurus fulgens (score =
    0.00264)(id = 7)
    下面开始迭代求解，定义学习率lr和迭代的最大次数epochs。定义损失函数为交叉熵函数，具体以预测结果的logits值与攻击目标标签计算交叉熵。优化器使用adam，由于adam自身也包含需要根据训练过程调整的参数，所以还需要调用tf.global_variables_initializer进行一次参数初始化。
    epochs=500
    lr=0.1
    target_label=288
    cross_entropy =
    tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits_tensor,
    labels=[target])
    optimizer = tf.train.adamoptimizer(lr)
    train_step=optimizer.minimize(loss=cross_entropy,var_list=[adv])
    # 初始化参数非常重要，adam的参数也需要这样初始化，gradientdescent可以省略这一步
    session.run(tf.global_variables_initializer())
    迭代开始前，把adv的值初始化为原始图像值。
    #初始化
    session.run(tf.assign(adv, image))
    for epoch in range(epochs):
    #获得损失值、对抗样本和预测值
    loss,_,adv_img,predictions=session.run([cross_entropy,
    train_step,adv,softmax_tensor],
    {target:target_label})
    predictions = np.squeeze(predictions)
    label=np.argmax(predictions)
    print("epoch={} loss={} label={}".format(epoch,loss,label))
    #如果定向攻击成功
    if label == target_label:
    #打印top3预测结果
    top_k = predictions.argsort()[-3:][::-1]
    for node_id in top_k:
    human_string = node_lookup.id_to_string(node_id)
    score = predictions[node_id]
    print('%s (score = %.5f)(id = %d)' % (human_string, score,node_id))
    break
    经过34轮迭代计算，攻击成功，预测标签为288。
    epoch=32 loss=[2.6293871] label=169
    epoch=33 loss=[2.3296964] label=169
    epoch=34 loss=[2.0458288] label=288
    snowmobile (score = 0.12927)(id = 288)
    giant panda, panda, panda bear, coon bear, ailuropoda melanoleuca (score =
    0.12047)(id = 169)
    indri, indris, indri indri, indri brevicaudatus (score = 0.04191)(id = 75)