快速开始

预计时间: 5-10 分钟

5分钟快速体验

假设已完成 安装指南，按以下步骤快速体验：

步骤 激活环境

# 进入项目目录
cd Psoriasis-Robust-Adv-Defense

# 激活虚拟环境
source .venv/bin/activate  # Linux/macOS
.\.venv\Scripts\activate   # Windows PowerShell

步骤 准备数据

如果已有数据集，将其放在 dataset/raw_data/<datadir>/ 目录，目录结构如下：

dataset/raw_data/psoriasis_normal/
├── normal/
│   ├── img1.jpg
│   ├── img2.jpg
│   └── ...
└── psoriasis/
    ├── img3.jpg
    ├── img4.jpg
    └── ...

然后预处理数据：

uv run main.py preprocess \
    --dataset-root dataset \
    --datadir psoriasis_normal \
    --image-size 224

输出: dataset/processed_data/psoriasis_normal/

步骤 下载预训练模型

uv run main.py download-models

首次下载可能需要几分钟

• ResNet50: ~100MB
• SigLIP: ~500MB

由于网络原因，如果下载超时，可设置镜像源：

export HF_ENDPOINT=https://hf-mirror.com
uv run main.py download-models

输出: model/pretrained_model/

步骤 训练分类器

ResNet50 (推荐)

uv run main.py train \
    --backbone resnet50 \
    --datadir psoriasis_normal \
    --epochs 3 \
    --batch-size 16 \
    --learning-rate 1e-4

SigLIP (Vision-Language)

uv run main.py train \
    --backbone siglip \
    --datadir psoriasis_normal \
    --epochs 3 \
    --batch-size 16 \
    --learning-rate 1e-4 \
    --freeze-siglip-backbone

ResNet50 预计 5-10 分钟（GPU）；SigLIP 预计 10-15 分钟（GPU）。

输出: model/trained_classifier/<backbone>/best_classifier.pt

步骤 执行对抗攻击

uv run main.py attack \
    --backbone resnet50 \
    --checkpoint model/trained_classifier/resnet50/best_classifier.pt \
    --datadir psoriasis_normal \
    --sample-index 0

输出: output/attack/resnet50/

理解输出结果

运行完对抗攻击后，输出目录结构如下：

output/attack/resnet50/
├── sample_0/
│   ├── original_image.png       # 原始图像
│   ├── adversarial_image.png    # 对抗样本
│   ├── perturbation.png         # 扰动可视化
│   ├── predictions.json         # 预测结果
│   └── metrics.json             # 攻击指标
└── summary.json                 # 整体汇总

关键指标说明

成功率 (Success Rate)

模型在对抗样本上做出错误预测的比例。值越高攻击效果越好。

$$\text{SR}=\frac{\text{错误预测数}}{\text{总样本数}}\times 100\mathrm{\%}$$

稀疏性 (Sparsity)

被修改的像素比例。值越低攻击越稀疏。

$$\text{稀疏性}=\frac{\text{修改像素数}}{H\times W\times C}\times 100\mathrm{\%}$$

扰动强度 (Perturbation)

修改的平均幅度，用 ${\ell }_2$ 范数或 ${\ell }_{\mathrm{\infty }}$ 范数衡量。

常见命令参考

查看所有命令

uv run main.py --help

查看子命令帮助

uv run main.py preprocess --help
uv run main.py download-models --help
uv run main.py train --help
uv run main.py attack --help

训练多个模型

# 顺序训练 ResNet50 和 SigLIP
uv run main.py train --backbone resnet50 --datadir psoriasis_normal
uv run main.py train --backbone siglip --datadir psoriasis_normal

对比不同模型

# ResNet50 对抗攻击
uv run main.py attack --backbone resnet50 --datadir psoriasis_normal

# SigLIP 对抗攻击（对标测试）
uv run main.py attack --backbone siglip --datadir psoriasis_normal

批量处理多个样本

for i in {0..9}; do
    uv run main.py attack \
        --backbone resnet50 \
        --datadir psoriasis_normal \
        --sample-index $i
done

完整参数说明

preprocess 参数

参数	类型	默认	说明
--dataset-root	str	dataset	数据集根目录
--datadir	str	-	数据集名称（必需）
--image-size	int	224	目标图像尺寸

train 参数

参数	类型	默认	说明
--backbone	str	-	骨干网络：resnet50 或 siglip（必需）
--datadir	str	-	数据集名称（必需）
--epochs	int	10	训练轮数
--batch-size	int	32	批大小
--learning-rate	float	1e-4	学习率
--device	str	cuda	计算设备：cpu 或 cuda
--freeze-siglip-backbone	-	False	冻结 SigLIP 骨干（SigLIP 特有）

attack 参数

参数	类型	默认	说明
--backbone	str	-	骨干网络（必需）
--checkpoint	str	-	分类器权重路径（必需）
--datadir	str	-	数据集名称（必需）
--sample-index	int	0	目标样本索引
--device	str	cuda	计算设备

详见 CLI 参考

运行示例

示例 1: 完整工作流（已有数据）

#!/bin/bash

# 激活环境
source .venv/bin/activate

# 数据预处理
uv run main.py preprocess --datadir cifar10

# 下载模型
uv run main.py download-models

# 训练 ResNet50
uv run main.py train \
    --backbone resnet50 \
    --datadir cifar10 \
    --epochs 5

# 对抗攻击
uv run main.py attack \
    --backbone resnet50 \
    --datadir cifar10

示例 2: 对比两个模型

#!/bin/bash

source .venv/bin/activate

# 准备数据
uv run main.py preprocess --datadir imagenette
uv run main.py download-models

# 训练两个模型
echo "Training ResNet50..."
uv run main.py train --backbone resnet50 --datadir imagenette

echo "Training SigLIP..."
uv run main.py train --backbone siglip --datadir imagenette

# 对比攻击
echo "Testing ResNet50..."
uv run main.py attack --backbone resnet50 --datadir imagenette

echo "Testing SigLIP..."
uv run main.py attack --backbone siglip --datadir imagenette

# 分析结果
echo "Results saved in output/attack/"

快速故障排查

问题	解决方案
ModuleNotFoundError	检查虚拟环境是否激活
CUDA out of memory	减小 --batch-size
数据加载失败	检查 --datadir 和数据格式
下载超时	设置 export HF_ENDPOINT=https://hf-mirror.com
GPU 未检测到	运行 nvidia-smi 检查驱动

后续阅读

• 完整 CLI 参考
• 技术方案详解
• 贡献指南

---

有问题？ 检查 安装指南 或 提交 Issue

准备好了？ 开始体验吧！