人工智能安全：原理与实践 课件 第2章 生成对抗网络的安全应用 .pptx

第二章生成对抗网络的安全应用2.1生成对抗网络原理简介

本章介绍生成对抗网络（GenerativeAdversarialNetworks，GANs）是一种非监督学习方法,其通过对抗训练生成器和判别器两个神经网络相互博弈的方式实现。在实践中讲述了两个实践案例，一个是基于生成对抗网络的sin曲线样本模拟，另一个是基于对抗性攻击无数据替代训练的模型窃取。了解生成对抗网络GANs的原理。掌握生成对抗网络GANs的训练步骤。熟悉利用生成对抗网络模拟sin曲线样本的方法。认知深度神经网络。熟悉基于对抗性攻击无数据替代训练的模型窃取方法。

内容提纲3.生成对抗网络的应用2.生成对抗网络原理1.生成对抗网络概述4.生成对抗网络的训练步骤

1.生成对抗网络概述生成对抗网络GANs是一种用于生成模型的机器学习框架，由IanGoodfellow和他的团队于2014年提出。GANs由两个主要组成部分组成：生成器（Generator）和判别器（Discriminator），生成器:试图生成与真实数据相似的新样本。判别器:则试图区分生成器生成的样本和真实数据样本。

内容提纲3.生成对抗网络的应用2.生成对抗网络原理1.生成对抗网络概述4.生成对抗网络的训练步骤

2.生成对抗网络原理GANs的基本原理是通过竞争的方式训练生成器G和判别器D，以不断提升生成器生成样本的质量。生成器接收一个随机噪声向量作为输入，并尝试生成看起来像真实数据的样本。判别器则接收生成器生成的样本和真实数据样本，并尝试区分它们。

2.生成对抗网络原理生成器和判别器通过反复迭代的对抗过程进行训练，其中生成器试图欺骗判别器，而判别器试图准确识别生成器生成的样本。GANs的优点是能够生成逼真的样本，无需显式地定义样本的概率分布，它们在图像生成、视频生成、文本生成等任务上取得了显著的成果。

2.生成对抗网络原理生成对抗网络的原理结构如图所示。生成对抗网络的目标是要学习到训练数据的具体分布。为了学习到这个分布，首先定义一个输入噪声变量Z，接下来将其映射到数据空间G。这里的G就是一个由多层感知网络构成的生成模型。此外，定义一个判别器D，用来判断输入的数据是来自生成模型还是训练数据。D的输出是训练数据的概率。

2.生成对抗网络原理生成对抗网络也有各种改进模型：1.条件生成对抗网络2.深度卷积生成对抗网络3.半监督生成对抗网络4.信息生成对抗网络

3.生成对抗网络的应用生成对抗网络的应用非常广泛。以下是一些典型的应用场景：第一，图像生成。生成对抗网络可用于生成逼真的人脸或风景等图像，甚至还可以用于艺术创作和特效图形生成。GANs能够学习特定类型的图像信息分布，如人脸、室内外场景、艺术品等，并生成新图像，这些新图像在视觉上与训练集中的真实图像难以区分。这种图像生成能力使GANs成为新艺术品创造、游戏或虚拟环境设计的重要工具。

3.生成对抗网络的应用用收藏齐白石作品（齐白石作品如图所示）的书画收藏家和假画贩子的例子来说明。假画贩子相当于是生成器，他们希望能够模仿大师真迹伪造出以假乱真的假画，骗过收藏家，从而卖出高价；书画收藏家(判别器)则希望将赝品和真迹区分开，让真迹流传于世。齐白石画虾可以说是画坛一绝，历来为世人所追捧。

3.生成对抗网络的应用其它应用：图像修复、视频生成、自然语言处理、医学影像、风格转换、数据增强

4.生成对抗网络的训练步骤有11步：

小结简单介绍了生成对抗网络及其应用

感谢同学们的收听！致谢

李剑博士，教授，博士生导师网络空间安全学院lijian@January23,2025第二章生成对抗网络的安全应用实践2-1基于生成对抗网络的sin曲线样本模拟

本章介绍本实践内容主要是Python语言编程来实现使用生成对抗网络模拟sin曲线样本。本实践内容是用来完成一个最基本的对抗生成网络模型，感兴趣的学生可以使用其它改进的生成对抗网络模型来学习。

1.实践目的理解生成对抗网络GANs的基本原理：通过实现一个简单的GANs模型，学习GANs的基本概念和工作原理，包括生成器和判别器的角色，生成器生成样本，判别器评估样本真实性，以及通过对抗训练优化GANs模型。熟悉GANs模型的组成部分和结构：通过编写代码实现生成器和判别器模型，了解它们的结构和参数设置，以及如何将它们组合成一个完整的生成对抗网络模型。实践训练和优化GANs模型：通过调整超参数、损失函数和优化器等设置，观察生成器和判别器在训练过程中的变化，最后通过可视化图像保存训练结果，直观地观察生成器的学习效果和生成样本的质量。

2.实践内容生成对抗网络GANs包