项目结构
详细的项目代码组织说明。
目录树
Psoriasis-Robust-Adv-Defense/
│
├── src/psorad/ # 核心源代码
│ ├── __init__.py
│ ├── cli.py # CLI 入口点
│ │
│ ├── preprocess/ # 数据预处理模块
│ │ ├── __init__.py
│ │ └── processor.py # 图像处理、缩放、裁剪
│ │
│ ├── data/ # 数据加载模块
│ │ ├── __init__.py
│ │ ├── dataset.py # PyTorch Dataset 类
│ │ └── dataloader.py # 数据加载器配置
│ │
│ ├── models/ # 模型构建与下载
│ │ ├── __init__.py
│ │ ├── downloader.py # 模型下载逻辑
│ │ ├── resnet.py # ResNet50 包装
│ │ └── siglip.py # SigLIP 包装
│ │
│ ├── trainers/ # 训练模块
│ │ ├── __init__.py
│ │ ├── base.py # 基础训练类
│ │ ├── resnet_trainer.py # ResNet50 训练器
│ │ └── siglip_trainer.py # SigLIP 训练器
│ │
│ └── attack/ # 对抗攻击模块
│ ├── __init__.py
│ ├── samoo.py # SAMOO 算法核心
│ ├── objectives.py # 多目标函数
│ └── runner.py # 攻击执行器
│
├── dataset/ # 数据集目录
│ ├── raw_data/ # 原始数据
│ │ ├── cifar10/
│ │ ├── imagenette/
│ │ └── psoriasis_normal/
│ │
│ └── processed_data/ # 预处理后数据
│ ├── cifar10/
│ ├── imagenette/
│ └── psoriasis_normal/
│
├── model/ # 模型存储目录
│ ├── pretrained_model/ # 预训练模型
│ │ ├── resnet/
│ │ │ └── resnet50_imagenet1k_v2.pth
│ │ └── siglip/
│ │ ├── config.json
│ │ ├── model.safetensors
│ │ └── preprocessor_config.json
│ │
│ └── trained_classifier/ # 训练好的分类器
│ ├── resnet50/
│ │ ├── best_classifier.pt
│ │ ├── latest_classifier.pt
│ │ └── training_log.csv
│ └── siglip/
│ └── ...
│
├── output/ # 输出结果
│ ├── attack/ # 攻击结果
│ │ ├── resnet50/
│ │ │ ├── sample_0/
│ │ │ │ ├── original_image.png
│ │ │ │ ├── adversarial_image.png
│ │ │ │ ├── perturbation.png
│ │ │ │ ├── predictions.json
│ │ │ │ └── metrics.json
│ │ │ └── summary.json
│ │ └── siglip/
│ │ └── ...
│ │
│ └── defence/ # 防御结果（扩展）
│ └── ...
│
├── docs-src/ # 文档源码（VitePress）
│ ├── .vitepress/
│ │ ├── config.ts
│ │ └── theme/
│ ├── index.md
│ ├── getting-started/
│ ├── documentation/
│ ├── research/
│ └── contributing/
├── docs/ # 文档构建产物（GitHub Pages 发布目录）
│ ├── index.html
│ ├── assets/
│ └── .nojekyll
│
├── tests/ # 单元测试
│ ├── __init__.py
│ ├── test_preprocess.py
│ ├── test_models.py
│ ├── test_trainers.py
│ └── test_attack.py
│
├── reb/ # 参考实现（来自原 repo）
│ ├── main.py
│ ├── ImageNetModels.py
│ ├── LossFunctions.py
│ ├── MODULE_RESPONSIBILITY_AND_CALL_FLOW.md
│ ├── moaa_core/
│ ├── losses/
│ └── models/
│
├── tools/ # 工具脚本
│ ├── bak/ # 备份脚本
│ └── ...
│
├── pyproject.toml # 项目配置
├── package.json # VitePress 构建配置
├── README.md # 项目首页
├── LICENSE # 许可证 (GPLv3)
├── CONTRIBUTING.md # 贡献指南
└── main.py # 主入口（开发用）模块说明
src/psorad/cli.py
职责: CLI 命令行接口
python
# 需要实现的命令
- preprocess(dataset_root, datadir, image_size)
- download_models(model, force)
- train(backbone, datadir, epochs, batch_size, ...)
- attack(backbone, checkpoint, datadir, sample_index, ...)src/psorad/preprocess/
职责: 数据预处理
关键功能:
- 图像加载（支持 JPG, PNG, etc）
- 等比缩放 + 中心裁剪
- 统一至 224×224 分辨率
- 自动生成 class_manifest.csv
src/psorad/data/
职责: 数据加载和处理
关键类:
python
class PsoriasisDataset(torch.utils.data.Dataset):
"""加载预处理后的图像"""
class DataModule:
"""统一的数据加载管理"""src/psorad/models/
职责: 模型构建和下载
支持的模型:
- ResNet50 (CNN) - 来自 torchvision
- SigLIP (Vision-Language) - 来自 HuggingFace
关键函数:
python
def download_pretrained_models(model: str, force: bool = False)
def load_resnet50(pretrained: bool = True) -> torch.nn.Module
def load_siglip(pretrained: bool = True) -> torch.nn.Modulesrc/psorad/trainers/
职责: 模型训练
基类:
python
class BaseTrainer:
def train_epoch(self)
def validate(self)
def save_checkpoint(self)具体实现:
ResNet50Trainer- ResNet50 训练器SigLIPTrainer- SigLIP 训练器（支持冻结/微调）
src/psorad/attack/
职责: 对抗攻击
核心算法: SAMOO (Sparse Multi-Objective Optimization)
关键类:
python
class SAMOOAttacker:
"""SAMOO 攻击实现"""
def attack(
self,
model: torch.nn.Module,
image: torch.Tensor,
label: int,
) -> tuple[torch.Tensor, dict]:
"""执行攻击，返回对抗样本和度量"""数据流向
原始数据
↓
┌───────────────────┐
│ 数据预处理 (CLI) │
└───────────────────┘
↓
处理后数据
↓
┌───────────────────┐
│ 下载预训练模型 │ → 预训练权重
└───────────────────┘
↓
┌───────────────────┐
│ 训练分类器 │
└───────────────────┘ → 训练好的分类器
↓
┌───────────────────┐
│ SAMOO 对抗攻击 │
└───────────────────┘ → 对抗样本 + 度量
↓
分析与评估测试层级
tests/
├── test_preprocess.py # 数据预处理测试
├── test_models.py # 模型加载和下载测试
├── test_trainers.py # 训练器功能测试
└── test_attack.py # 攻击算法测试测试范围:
- 单元测试 (Unit Test)
- 集成测试 (Integration Test)
- 端到端测试 (E2E Test) - 待完善
配置文件
pyproject.toml
定义项目依赖和元数据：
toml
[project]
name = "psoriasis-robust-adv-defense"
version = "0.1.0"
requires-python = ">=3.12"
[project.scripts]
psorad = "psorad.cli:main" # 定义 CLI 入口docs-src/.vitepress/config.ts
文档网站配置：
ts
import { defineConfig } from 'vitepress'
export default defineConfig({
lang: 'zh-CN',
base: '/Psoriasis-Robust-Adv-Defense/'
})开发规范
代码组织原则
- 模块化: 功能独立，接口清晰
- 可扩展: 易于添加新模型或攻击算法
- 可测试: 依赖注入，容易 mock
- 文档化: 添加 docstring 和类型注解
命名规范
- 类: PascalCase (如
ResNet50Trainer) - 函数: snake_case (如
preprocess_image) - 常量: UPPER_SNAKE_CASE (如
DEFAULT_IMAGE_SIZE = 224) - 私有: 前缀下划线 (如
_internal_helper)
导入规则
python
# 标准库
import os
from pathlib import Path
# 第三方
import torch
import numpy as np
# 项目内
from psorad.models import load_resnet50