如何用Numpy生成满足约束的MNIST图像对抗噪声

我们需要生成满足约束 ||δ||_∞ + α·||δ||_2 ≤ ε 的噪声δ，其中α和ε是可自定义的参数，下面是纯Numpy的实现版本，对应你给出的PyTorch逻辑，替换了所有PyTorch专属操作：

import numpy as np

def generate_weight_linf_l2_perturbations(alpha, epsilon, image):
    # 假设输入image是Numpy数组，形状为(28,28)（MNIST单通道图像）
    delta_norm = epsilon + 1  # 初始值设为超过epsilon，触发循环
    while delta_norm > epsilon:
        # 生成范围在[-epsilon, epsilon]的随机噪声（若要保持原代码非负逻辑，可改为(0, epsilon)）
        delta = np.random.uniform(-epsilon, epsilon, image.shape)
        # 计算L2范数
        l2_norm = np.linalg.norm(delta)
        # 计算L∞范数
        linf_norm = np.linalg.norm(delta, ord=np.inf)
        # 计算混合范数
        delta_norm = linf_norm + alpha * l2_norm
        # 可选：打印调试信息
        # print(f"L2: {l2_norm:.4f}, L∞: {linf_norm:.4f}, 混合范数: {delta_norm:.4f}, ε: {epsilon}")
    
    # 添加噪声并截断到[0,1]范围
    image_pert = image + delta
    return np.clip(image_pert, 0, 1)

关键说明： #

• 噪声生成：原代码生成非负噪声，这里改成对称的[-epsilon,epsilon]更符合常见噪声场景，若需保持原逻辑，修改np.random.uniform的参数即可。
• 范数计算：Numpy通过np.linalg.norm完成范数计算，ord=np.inf对应L∞范数（取数组中绝对值最大的元素）。
• 像素截断：用np.clip替代PyTorch的torch.clamp，确保添加噪声后的图像像素值保持在MNIST的合法范围[0,1]内。

你可以自行完成PyTorch Tensor与Numpy数组之间的转换（比如用tensor.numpy()或torch.from_numpy()）。

内容的提问来源于stack exchange，提问作者leech