文章目录 引言一、对抗训练一般原理1.对抗样本 二、对抗训练的经典算法三、对抗训练代码实现1.FGM2.PGD
引言
对抗训练对于NLP来说，是一种非常好的上分利器，所以，非常有必要加深对对抗训练的认识。
一、对抗训练一般原理 小学语文课上，我们都学习过《矛与盾》这篇课文，
从辩证唯物史观角度来看，矛与盾并没有严格意义上的谁更厉害，谁一直占优。矛盾着的双方又同一又斗争，双方力量此长彼消，不断前进，从而推动事物发展。这也就是对抗训练。
两句话，只是部分英文单词发生了改变，但是在我们看来，含义还是几乎不变的，但是就是这种变化，基于BERT的文本分类模型对句子的情感分类居然是完全相反的。
根据研究，我们发现InferSent MultiNLI模型、ESIM MultiNLI模型、BERT MultiNLI模型在SNLI数据集上面准确率为84%以上，但是在对抗文本上，不管是传统的深度网络还是BERT模型，准确率都只有个位数。尽管BERT模型经过微调可以在不同的下游任务得到好的结果，但仍然是非常容易受到攻击的（模型不鲁棒）。
那么，如何使得模型更加鲁棒呢？比如：
lan Goodfellow提出对抗训练方法，它的思想是在训练时，在原始的输入样本中加上扰动（对抗样本），我们用对抗样本来进行模型的训练，使得模型更加鲁棒
扰动的计算方式定义为：求得模型损失，对于 x x x求梯度，对所求的梯度经过符号函数处理，在乘以一个系数 ϵ epsilon ϵ
这种对抗训练的方法叫做Fast Gradient Sign Method (FGSM)。
对抗训练其实可以当做正则化，减少模型的过拟合，提升模型的泛化性能。FGSM对抗训练方法应用与CV，cv的输入都是图像，图像输入模型时为RGB三个通道上的像素值，它的输入本身就是连续的，但是NLP的输入是离散的单词序列。那么，我们应该如何在NLP模型上定义对抗训练？
虽然NLP的输入都是离散的单词序列，但是会经过embedding转变成低维空间上的向量表征，我们可以将embedding后的向量表征当成上述对抗训练模型中的 x x x。lan Goodfellow在2017年提出了在连续的embedding上做扰动。
扰动的计算方式为：
这种对抗训练的方法叫做Fast Gradient Method (FGM)。FGM通过一步，就移动到对抗样本上，如果梯度太大，可能会导致扰动过大,对模型造成误导。
FGM对抗训练方法一步得到对抗样本，容易导致扰动过大。Projected Gradient Descent
(PGD)方法限定了扰动的范围，对抗样本并不是一步就得到了，而是通过沿着不同点的梯度走了多步之后再去得到。
其中，
这种对抗训练的方法叫做Projected Gradient Descent(PGD)。
三、对抗训练代码实现 1.FGM class FGM(): """ 定义对抗训练方法FGM,对模型embedding参数进行扰动 """ def __init__(self, model, epsilon=0.25,): # BERT模型 self.model = model # 求干扰时的系数值 self.epsilon = epsilon self.backup = {} def attack(self, emb_name='word_embeddings'): """ 得到对抗样本 :param emb_name:模型中embedding的参数名 :return: """ # 循环遍历模型所有参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息，并且包含了模型中embedding的参数名 if param.requires_grad and emb_name in name: # 把真实参数保存起来 self.backup[name] = param.data.clone() # 对参数的梯度求范数 norm = torch.norm(param.grad) # 如果范数不等于0并且norm中没有缺失值 if norm != 0 and not torch.isnan(norm): # 计算扰动，param.grad / norm=单位向量，起到了sgn(param.grad)一样的作用 r_at = self.epsilon * param.grad / norm # 在原参数的基础上添加扰动 param.data.add_(r_at) def restore(self, emb_name='word_embeddings'): """ 将模型原本的参数复原 :param emb_name:模型中embedding的参数名 """ # 循环遍历模型所有参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息，并且包含了模型中embedding的参数名 if param.requires_grad and emb_name in name: # 断言 assert name in self.backup # 取出模型真实参数 param.data = self.backup[name] # 清空self.backup self.backup = {} # 实例初始化fgm = FGM(model)for batch_input, batch_label in data: # 正常训练 loss = model(batch_input, batch_label) # 反向传播，得到正常的grad loss.backward() # 对抗训练，在embedding上添加对抗扰动 fgm.attack() # embedding参数被修改，此时，输入序列得到的embedding表征不一样 loss_adv = model(batch_input, batch_label) # 反向传播，并在正常的grad基础上，累加对抗训练的梯度 loss_adv.backward() # 恢复embedding参数 fgm.restore() # 梯度下降，更新参数 optimizer.step() # 将梯度清零 model.zero_grad() 2.PGD class PGD(): """ 定义对抗训练方法PGD """ def __init__(self, model, epsilon=1.0, alpha=0.3): # BERT模型 self.model = model # 两个计算参数 self.epsilon = epsilon self.alpha = alpha # 用于存储embedding参数 self.emb_backup = {} # 用于存储梯度，与多步走相关 self.grad_backup = {} def attack(self, emb_name='word_embeddings', is_first_attack=False): """ 对抗 :param emb_name: 模型中embedding的参数名 :param is_first_attack: 是否是第一次攻击 """ # 循环遍历模型的每一个参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息，并且包含了模型中embedding的参数名 if param.requires_grad and emb_name in name: # 如果是第一次攻击 if is_first_attack: # 存储embedding参数 self.emb_backup[name] = param.data.clone() # 求梯度的范数 norm = torch.norm(param.grad) # 如果范数不等于0 if norm != 0: # 计算扰动,param.grad / norm=单位向量相当于sgn符号函数 r_at = self.alpha * param.grad / norm # 在原参数的基础上添加扰动 param.data.add_(r_at) # 控制扰动后的模型参数值 # 投影到以原参数为原点，epsilon大小为半径的球上面 param.data = self.project(name, param.data, self.epsilon) def restore(self, emb_name='word_embeddings'): """ 将模型原本参数复原 :param emb_name: 模型中embedding的参数名 """ # 循环遍历每一个参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息，并且包含了模型中embedding的参数名 if param.requires_grad and emb_name in name: assert name in self.emb_backup # 取出模型真实参数 param.data = self.emb_backup[name] # 清空emb_backup self.emb_backup = {} def project(self, param_name, param_data, epsilon): """ 控制扰动后的模型参数值 :param param_name: :param param_data: :param epsilon: """ # 计算加了扰动后的参数值与原始参数的差值 r = param_data - self.emb_backup[param_name] # 如果差值的范数大于epsilon if torch.norm(r) > epsilon: # 对差值进行截断 r = epsilon * r / torch.norm(r) # 返回新的加了扰动后的参数值 return self.emb_backup[param_name] + r def backup_grad(self): """ 对梯度进行备份 """ # 循环遍历每一个参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息 if param.requires_grad: # 如果参数没有梯度 if param.grad is None: print("{} param has no grad !!!".format(name)) continue # 将参数梯度进行备份 self.grad_backup[name] = param.grad.clone() def restore_grad(self): """ 将梯度进行复原 """ # 循环遍历每一个参数 for name, param in self.model.named_parameters(): # 如果当前参数在计算中保留了对应的梯度信息 if param.requires_grad: # 如果没有备份 if name not in self.grad_backup: continue # 如果备份了，就将原始模型参数梯度取出 param.grad = self.grad_backup[name] # 实例初始化pgd = PGD(model)steps_for_at = 3for batch_input, batch_label in data: # 正常训练 loss = model(batch_input, batch_label) # 反向传播，得到正常的grad loss.backward() # 保存正常的梯度 pgd.backup_grad() # PGD要走多步，迭代走多步 for t in range(steps_for_at): # 在embedding上添加对抗扰动, first attack时备份param.data pgd.attack(is_first_attack=(t == 0)) # 中间过程，梯度清零 if t != steps_for_at - 1: optimizer.zero_grad() # 最后一步，恢复正常的grad else: pgd.restore_grad() # embedding参数被修改，此时，输入序列得到的embedding表征不一样 loss_at = model(batch_input, batch_label) # 对抗样本上的损失 loss_at = outputs_at[0] # 反向传播，并在正常的grad基础上，累加对抗训练的梯度 loss_at.backward() # 恢复embedding参数 pgd.restore() # 梯度下降，更新参数 optimizer.step() # 将梯度清零 model.zero_grad()如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论或者私信！