音箱內部構造的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

AI安全之對抗樣本入門

為了解決音箱內部構造的問題，作者兜哥 這樣論述：

本書系統介紹對抗樣本的基本原理，從相關的背景知識開始，包含搭建學習對抗樣本的軟硬體環境、常用工具，帶領讀者快速上手實踐。本書作者在安全領域有多年實踐經驗，對業界常見的方法做了系統的歸納總結，包含大量案例，深入淺出，實踐性強。 主要內容包括：·對抗樣本相關的深度學習背景知識，如梯度、優化器、反向傳遞等。·如何搭建學習對抗樣本的軟硬體環境。·對抗樣本領域的一些常見圖像處理技巧。·常見的白盒攻擊演算法與黑盒攻擊演算法。·對抗樣本在目標檢測領域的應用。·對抗樣本的常見加固演算法。·常見的對抗樣本工具以及如何搭建NIPS對抗樣本競賽環境。·如何站在巨人的肩膀上，快速生成自己的對抗樣本，進行攻防對抗。

兜哥，百度安全實驗室AI模型安全負責人，具有10餘年安全從業經歷，曾任百度基礎架構安全負責人、Web安全產品線負責人。主要研究方向為對抗樣本、生成對抗網路。著有AI安全暢銷書籍《Web安全之機器學習入門》《Web安全之深度學習實戰》《Web安全之強化學習與GAN》。著名開源AI安全工具箱AdvBox的作者，Free Buf、雷鋒網、安全客特邀專欄作家，知名安全自媒體「兜哥帶你學安全」主編。 序一 序二 自序 前言 第1章　深度學習基礎知識 1 1.1　深度學習的基本過程及相關概念 1 1.1.1　數據預處理 1 1.1.2　定義網路結構 2 1

.1.3　定義損失函數 6 1.1.4　反向傳遞與優化器 7 1.1.5　範數 12 1.2　傳統的圖像分類演算法 13 1.3　基於CNN的圖像分類 14 1.3.1　局部連接 14 1.3.2　參數共用 15 1.3.3　池化 17 1.3.4　典型的CNN結構 18 1.3.5　AlexNet的結構 19 1.3.6　VGG的結構 19 1.3.7　ResNet50 20 1.3.8　InceptionV3 20 1.3.9　視覺化CNN 20 1.4　常見性能衡量指標 30 1.4.1　測試資料 30 1.4.2　混淆矩陣 31 1.4.3　準確率與召回率 31 1.4.4　準確度與F

1-Score 32 1.4.5　ROC與AUC 33 1.5　集成學習 34 1.5.1　Boosting演算法 35 1.5.2　Bagging演算法 37 1.6　本章小結 39 第2章　打造對抗樣本工具箱 40 2.1　Anaconda 41 2.2　APT更新源 45 2.3　Python更新源 45 2.4　Jupyter notebook 45 2.5　TensorFlow 49 2.6　Keras 50 2.7　PyTorch 51 2.8　PaddlePaddle 52 2.9　AdvBox 52 2.10　GPU伺服器 52 2.11　本章小結 55 第3章　常見深度學

習平臺簡介 56 3.1　張量與計算圖 56 3.2　TensorFlow 58 3.3　Keras 62 3.4　PyTorch 64 3.5　MXNet 67 3.6　使用預訓練模型 70 3.7　本章小結 76 第4章　影像處理基礎知識 77 4.1　圖像格式 77 4.1.1　通道數與圖元深度 77 4.1.2　BMP格式 80 4.1.3　JPEG格式 81 4.1.4　GIF格式 81 4.1.5　PNG格式 81 4.2　圖像轉換 81 4.2.1　仿射變換 81 4.2.2　圖像縮放 83 4.2.3　圖像旋轉 85 4.2.4　圖像平移 85 4.2.5　圖像剪切 86 4

.2.6　圖像翻轉 87 4.2.7　亮度與對比度 88 4.3　圖像去噪 89 4.3.1　高斯雜訊和椒鹽雜訊 90 4.3.2　中值濾波 91 4.3.3　均值濾波 93 4.3.4　高斯濾波 93 4.3.5　高斯雙邊濾波 94 4.4　本章小結 96 第5章　白盒攻擊演算法 97 5.1　對抗樣本的基本原理 97 5.2　基於優化的對抗樣本生成演算法 100 5.2.1　使用PyTorch生成對抗樣本 102 5.2.5　使用TensorFlow生成對抗樣本 106 5.3　基於梯度的對抗樣本生成演算法 109 5.4　FGM/FGSM演算法 110 5.4.1　FGM/FGSM基本

原理 110 5.4.2　使用PyTorch實現FGM 111 5.4.3　使用TensorFlow實現FGM 112 5.5　DeepFool演算法 115 5.5.1　DeepFool基本原理 115 5.5.2　使用PyTorch實現DeepFool 117 5.5.3　使用TensorFlow實現DeepFool 122 5.6　JSMA演算法 124 5.6.1　JSMA基本原理 124 5.6.2　使用PyTorch實現JSMA 126   生活中的深度學習 深度學習自2006年產生之後就受到科研機構、工業界的高度關注。最初，深度學習主要用於圖像和語音領域。從2

011年開始，穀歌研究院和微軟研究 院的研究人員先後將深度學習應用到語音辨識，使識別錯誤率下降了20%～30%。2012年6月，穀歌首席架構師Jeff Dean和斯坦福大學教授Andrew Ng主導著名的Google Brain項目，採用16萬個CPU來構建一個深層神經網路，並將其應用於圖像和語音的識別，最終大獲成功。 2016年3月，AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年年末2017年年初，該程 序在中國棋類網站上以“大師”（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮

圍棋峰會上，它與排名世界第一的圍棋世界冠軍柯潔對戰，以3比0的總比分獲勝。AlphaGo的成功更是把深度學習的熱潮推向了全球，成為男女老少茶餘飯後關注的熱點話題。 現在，深度學習已經遍地開花，在方方面面影響和改變著人們的生活，比較典型的應用包括智慧家居、智慧駕駛、人臉支付和智慧安防。 深度學習的脆弱性 深度學習作為一個非常複雜的軟體系統，同樣會面對各種駭客攻擊。駭客通過攻擊深度學習系統，也可以威脅到財產安全、個人隱私、交通安全和公共安全（見圖0-1）。針對深度學習系統的攻擊，通常包括以下幾種。 1. 偷取模型 各大公司通過高薪聘請AI專家設計模型，花費大量資金、人力搜集訓練資料，又花費

大量資金購買GPU設備用於訓練模型，最後得到深度學習模型。深度學習模型的最終形式也就是從幾百KB到幾百MB不等的一個模型檔。深度學習模型對外提供服務的形式也主要分為雲模式的API，或者私有部署到使用者的移動 設備或資料中心的伺服器上。針對雲模式的API，駭客通過一定的遍歷演算法，在調用雲模式的API後，可以在本地還原出一個與原始模型功能相同或者類似的模型；針對私有部署到使用者的移動設備或資料中心的伺服器上，駭客通過逆向等傳統安全技術，可以把模型檔直接還原出來供其使用。偷取深度學習模型的過程如圖 0-2所示。 2. 數據投毒 針對深度學習的資料投毒主要是指向深度學習的訓練樣本中加入異常資料，導

致模型在遇到某些條件時會產生分類錯誤。如圖0-3所示。早期的資料投毒都 存在於實驗室環境，假設可以通過在離線訓練資料中添加精心構造的異常資料進行攻擊。這一攻擊方式需要接觸到模型的訓練資料，而在實際環境中，絕大多數情況都是公司內部在離線資料中訓練好模型再打包對外發佈服務，攻擊者難以接觸到訓練資料，攻擊難以發生。於是攻擊者把重點放到了線上學習的場景，即模型是利用線上的資料，幾乎是即時學習的，比較典型的場景就是推薦系統。推薦系統會結合使用者的歷史資料以及即時的訪問資料，共同進行學習和判斷，最終得到推薦結果。駭客正是利用這一可以接觸到訓練資料的機會，通過一定的演算法策略，發起訪問行為，最終導致推薦系統

產生錯誤。 3. 對抗樣本 對抗樣本由Christian Szegedy等人提出，是指在資料集中通過故意添加細微的干擾所形成的輸入樣本，這種樣本導致模型以高置信度給出一個錯誤的輸出。在正則化背景下，通過對抗訓練減少原有獨立同分佈的測試集的錯誤率，在對抗擾動的訓練集樣本上訓練網路。 簡單地講，對抗樣本通過在原始資料上疊加精心構造的人類難以察覺的擾動，使深度學習模型產生分類錯誤。以圖像分類模型為例，如圖0-4所示，通過在原始圖像上疊加擾動，對於肉眼來說，擾動非常細微，圖像看起來還是熊貓，但是圖像分類模型卻會以很大的概率識別為長臂猿。 下面以一個圖像分類模型為例，更加直接地解釋對抗樣本的基本原

理。通過在訓練樣本上學習，學到一個分割平面，在分割平面一側的為綠球，在分割平面另 外一側的為紅球。生成攻擊樣本的過程，就是在資料上添加一定的擾動，讓其跨越分割平面，從而把分割平面一側的紅球識別為綠球，如圖0-5所示。 對抗樣本按照攻擊後的效果分為Targeted Attack（定性攻擊）和Non-Targeted Attack（無定向攻擊）。區別在於Targeted Attack在攻擊前會設置攻擊的目標，比如把紅球識別為綠球，或者把麵包識別為熊貓，也就是說在攻擊後的效果是確定的；Non-Targeted Attack在攻擊前不用設置攻擊目標，只要攻擊後，識別的結果發生改變即可，可能會把麵包識

別為熊貓，也可能識別為小豬佩琪或者小豬喬治，如圖0-6所 示。 對抗樣本按照攻擊成本分為White-Box Attack（白盒攻擊）、Black-Box Attack（黑盒攻擊）和Real-World Attack/Physical Attack（真實世界/物理攻擊）。 White-Box Attack（見圖0-7）是其中攻擊難度最低的一種，前提是能夠完整獲取模型的結構，包括模型的組成以及隔層的參數情況，並且可以完整控制模型的輸入， 對輸入的控制細微性甚至可以到比特級別。由於White-Box Attack前置條件過於苛刻，通常作為實驗室的學術研究或者作為發起Black-Box Attac

k和Real-World Attack/Physical Attack的基礎。 Black-Box Attack相對White-Box Attack攻擊難度具有很大提高，Black-Box Attack完全把被攻擊模型當成一個黑盒，對模型的結構沒有瞭解，只能控制輸入，通過比對輸入和輸出的回饋來進行下一步攻擊，見圖0-8。 Real-World Attack/Physical Attack（見圖0-9）是這三種攻擊中難度最大的，除了不瞭解模型的結構，甚至對於輸入的控制也很弱。以攻擊圖像分類模型為例（見圖0-10），生成 的攻擊樣本要通過相機或者攝像頭採集，然後經過一系列未知的預處理後再輸入模型進

行預測。攻擊中對抗樣本會發生縮放、扭轉、光照變化、旋轉等。 常見檢測和加固方法 1. 深度學習脆弱性檢測 檢測深度學習脆弱性的過程，其實就是發起攻擊的過程，常見的白盒攻擊演算法列舉如下。 ILCM(最相似反覆運算演算法) FGSM(快速梯度演算法) BIM(基礎反覆運算演算法) JSMA(顯著圖攻擊演算法) DeepFool(DeepFool演算法) C/W(C/W演算法) 常見的黑盒攻擊方法列舉如下。 Single Pixel Attack(單圖元攻擊) Local Search Attack(本地搜索攻擊) 2. 深度學習脆弱性加固 針對深度學習脆弱性進行加固的常見方法主要包括以下幾種，

我們將重點介紹Adversarial training。 Feature squeezing(特徵凝結) Spatial smoothing(空間平滑) Label smoothing(標籤平滑) Adversarial training(對抗訓練) Virtual adversarial training (虛擬對抗訓練) Gaussian data augmentation (高斯資料增強) Adversarial training如圖0-11所示，其基本思路是，常見的對抗樣本生成演算法是已知的，訓練資料集也是已知的，那麼可以通過常見的一些對抗樣本工具箱，比如 AdvBox 或者FoolB

ox，在訓練資料的基礎上生成對應的對抗樣本，然後讓深度學習模型重新學習，讓它認識這些常見的對抗樣本，這樣新生成的深度學習模型就具有 了一定的識別對抗樣本的能力。 與Adversarial training思路類似的是Gaussian data augmentation。Gaussian data augmentation的基本原理是，對抗樣本是在原始資料上疊加一定的擾動，這些擾動非常接近隨機的一些雜訊。Adversarial training雖然簡單易於實現，但是技術上難以窮盡所有的攻擊樣本。Gaussian data augmentation直接在原始資料上疊加高斯雜訊，如圖0-12所示，k

為高斯雜訊的係數，係數越大，高斯雜訊越強，其他參數分別表示高斯雜訊的均 值和標準差。Gaussian data augmentation把訓練資料疊加了雜訊後，重新輸入給深度學習模型學習，通過增加訓練輪數、調整參數甚至增加模型層數，在不降低原有模型準確度的 情況下，讓新生成的深度學習模型具有了一定的識別對抗樣本的能力。 對抗樣本領域的最新進展 對抗樣本是AI安全研究的一個熱點，新的攻擊演算法和加固方法層出不窮，而且攻擊場景也從實驗室中的簡單圖像分類，迅速擴展到智慧音箱、無人駕駛等領 域。百度安全實驗室的最新研究報告《感知欺騙：基於深度神經網路（DNN）下物理性對抗攻擊與策略》成功入選Blac

kHat Europe 2018。報告展現了讓物體在深度學習系統的“眼”中憑空消失，在AI時代重現了大衛·科波菲爾的經典魔法。針對深度學習模型漏洞進行物理攻擊可行性研究 有著廣泛的應用前景，在自動駕駛領域、智慧安防領域、物品自動鑒定領域都有重要的實際意義。 如圖0-13所示，在時間t0的時候，當在車後顯示器中顯示正常logo時，YOLOv3可以正確識別目標車輛，而在t1時，切換到擾動後的圖片 時，它可以立刻讓目標車輛在YOLOv3面前變得無法辨識；在t2時，如圖0-14所示切換回正常的圖片，YOLOv3重新可以識別目標車輛。這是首次針 對車輛的物理攻擊的成功展示，與以往的學術論文相比，在攻擊

目標的大小、解析度的高低以及物理環境的複雜性等方面，在影響和難度上都是一個巨大提升。 Kan Yuan和Di Tang等人在論文《Stealthy Porn: Understanding Real-World Adversarial Images for Illicit Online Promotion》中介紹了黑產如何通過單色化、加雜訊、增加文字、仿射變化、濾波模糊化和遮蓋等方式讓違規圖片繞過目前主流的圖片內容檢測服務。這也標誌著對抗樣本技術已經從實驗室環境真正進入了網路對抗實戰。 國內安全人員在對抗樣本領域的研究成果得到了國際的普遍認可。朱軍等人指導的清華大學團隊曾在NIPS 2017

對抗樣本攻防競賽中奪冠，紀守領老師所在的 NESA Lab提出了一種新型的對抗性驗證碼，能防範來自打碼平臺等黑產的破解。  

日本建築的覺醒：尋找文化識別的摸索與奮起之路

為了解決音箱內部構造的問題，作者五十嵐太郎 這樣論述：

日本曾經擬洋風，如今世界掀起哈日風 何謂傳統？何謂現代？如何找出「日本風格」 看日本如何於20世紀展開一場自覺性的近代建築運動 　　奧林匹克競技場、萬博展覽館、原爆紀念碑、皇居、國會議事堂 　　從牽動日本國民人心的重大歷史事件談建築 　　建築學者謝宗哲精選翻譯，讀懂日本文化的建築課 　　國家意識∣日本趣味∣反傳統∣文化自明性──切入核心的思辨 　　【特別分析】2020年東京奧運新國立競技場競圖排外爭議始末 　　從戰後焦慮中摸索，因為建築，看見真正的日本奮起精神 　　◎有觀點、有歷史、有文化連結的日本建築入門 　　◎這堂建築入門，不只是建築，更是認識日本文化的神髓 　　◎建築學者謝宗哲

，精選翻譯之作，理解日本趣味，如何征服世界？ 　　❙是怎麼樣的「傳統」土壤，培育出這些建築名家？ 　　❙什麼能真正代表日本？定義所謂的「日本風格」？ 　　現今那些你我耳熟能詳、到日本必訪的建築名勝，如代代木競技場、名古屋市美術館、代官山Hillside Terrace、出雲大社廳舍、廣島平和紀念資料館、香川縣廳舍、神長官首矢史料館、仙台媒體中心等，甚至是曾現身於海外的漢諾威萬國博覽會的日本館，或威尼斯建築雙年展的日本館、以及刻印了日本國民記憶的太陽之塔，都是這一連串，日本回覆「何謂傳統？何謂現代？」思辨過程下的結晶。 　　身為建築評論權威之一的五十嵐太郎教授，縱觀歷史典籍、學術文章、報章雜

誌等文獻資料，對於這些議論做出詳細的追索，並舉出象徵日本的知名建築為例，爬梳出小說既視感般且切入文化核心的「日本建築認識論」，從中理解真正關鍵的日本建築史。日本的國家主義與現代主義之間的相生相剋將在此甦醒，呈現相對完整的日本建築樣貌。同時，這也是批判式考察的一本書，重新檢視備受爭議且陷入困境的2020年東京奧運主場館──新國立競技場。國際競圖選出了札哈‧哈蒂的前衛設計，最後卻演變成排外事件，重新舉辦競圖，也讓「何謂日本」議題再度甦醒，重新思考近代以降的日本建築論。 　　❙為什麼日本和建築連結在一起 　　在本書裡，企圖思考、解釋「日本」與「建築」的關係。過去有許多相關著作，包括伊勢神宮與桂離宮

等、有名的古建築研究、或者圍繞著日本概念所作的論述等等。然而，本書想以東京奧林匹克這個現代的題目為起點，在同步回溯歷史下，來對過去各種偶發事件作連鎖性的考究。 　　第一章與第二章是透過奧林匹克與萬博，來考察日本是以何種日本風格，被海外看見。在這裡作為重要部位而浮現的主題，是第三章討論的「屋頂」。接著在第四章，重讀二十世紀中葉讓建築界議論紛紛的傳統論爭。具體來說，是對於翱翔世界的代謝派成員所作的歷史性解釋（第四章）、以及從繩文v.s.彌生論爭所發現的「民眾」概念（第五章），以及帶給建築界極大影響的岡本太郎的思想與作品（第六章）。第七章則是論及白井晟一的原爆堂與大江宏「混在並存」思想。第八章則將

焦點放在戰爭時期下，由評論家浜口隆一在現實處境的限制下所完成的日本空間論。最後第九章「皇居‧宮殿」與第十章「國會議事堂」，則是從明治到昭和為止，持續進行的國家級計劃案/項目，對於如何接納日本進行回顧。從這裡便有了近代以降之日本建築論的開始。 　　❙實現日本建築精神，使之發揚光大的現代 　　東大教授藤島亥治郎，於戰後日本建築界正在摸索與世界接軌的道路之時，懷抱著如此理想——「往中國大陸、往南方、往歐美，伴隨著建築文化所伸出的手，肩負著在新世代的日本建築中吹入嶄新精神的大使命」。也就是，過去都只是往日本輸入，今後則是要從日本反向賦予影響整個世界的抱負。二十一世紀的現在，日本成了伊東豊雄與SANA

A等世界級建築家輩出的所在，戰時所懷抱的遙遠理想，如今遂已達成。 　　日本建築的摸索與奮起之路 　　1.【向世界發信「日本風格」的開端──奧林匹克競技場】 　　1930年代，許多飯店的室內裝修大多是因著外國人的喜好與需求所做，惟外觀還是以量體較大的和風屋頂作為特徵，因為在思考招攬觀光客時，屋頂是最容易進行符號化設計的部分。岸田日出刀對於這種一味炒短線的廉價樣式趨勢相當感冒。1964年的東京奧林匹克，岸田從日本的傳統建築要素出發，強力推薦了「一流人材」丹下健三擔任國立代代木屋內綜合競技場與附屬體育館的設計者。 　　丹下的屋內競技場也嘗試使用大屋頂來做出象徵式的表現。屋頂局部讓人聯想起民居的「

棟（屋脊）」與神社屋頂兩端立體斜向十字交叉的那兩根木條「千木」。有意思的是，正是這個岸田不喜歡的屋頂，反而成了設計之要。當然那並不是直接模仿抄寫了古建築的造形，而是藉由現代的構造技術所實現的成果。丹下可說是創造出超越岸田所想像的日本式現代主義。將競技場配置在以明治神宮本殿作為起點的南北軸線的場所上，這也是意識著都市設計、帶有丹下風格的思考方式。 　　2.【萬國博覽會與「繩文式紀念碑」太陽之塔的碰撞相遇】 　　丹下健三也擔任另一個國家事業級的、得以與東京奧林匹克並列的大案子，即是大阪萬博全體會場的設計者。他將大阪萬博祭典廣場設計成一個遮蔽式的大屋頂。除了擋雨防露的單純功能，在內部更擁有了人們能

夠居住的空間、作為空中都市之雛形的構想。 　　丹下想做的是透過屋頂隱約看到天空與雲、帶有透明感而輕盈的皮膜。但這個作品留在人們記憶裡的，反而是岡本太郎所做的太陽之塔從旁闖進來，暴力介入了這當中的模樣吧。岡本太郎1967年受邀參加萬博時，看到宏偉的水平屋頂，立即湧出了要將它打破的衝動，而在腦海閃過以某種怪咖／怪物來對決優雅大屋頂的點子，那就是將高三十公尺的屋頂給頂破、高七十公尺的塔。 　　不只是屋頂，也不只是塔。這兩者在萬博這個世界級舞台上的激烈碰撞下，產生了令人難忘的風景。在萬博結束之後，大屋頂被解體，空間桁架的局部被降落到地上保存下來。只有「太陽之塔」到現在還留於現場，但它當初對決的對手

（大屋頂）已經消失無蹤。這是對「現代」這場神話給予當頭棒喝之一擊的「繩文式」紀念碑，或者，也可說是被埋藏在萬博會場中心裡的反萬博符號。 　　3.【超越民族表象的原爆紀念碑】 　　廣島平和紀念資料館出現在接近原爆核心附近的基地上，雖可說是象徵戰後日本復興的建築，但當時是以傳統與民族這些關鍵字被理解。川添登形容丹下的廣島計畫案是「從廢墟當中想起強而有力的伊勢」，「伊勢所帶有的矛盾與廣島帶有的矛盾彼此消融和解，從荒野當中強悍立起巨大底層挑空構造，以及被視為是素樸並具現代性的百葉，由於被遺留在未完成狀態下所凍結的、由裝修中的粗糙肌理與建物全體及基地所醞釀出的荒涼中，就恰似原爆時代所做出的、宛如二十世

紀神話般的那樣，帶著不可思議的魅力與迫力，朝著我們逼近而來」。 　　4.【京都迎賓館的「高科技和風」】 　　於2005年完成的京都迎賓館，是以當代的日本建築為目標。透過競圖選出的日建設計，是一家從高層大樓到東京天空樹與札哈．哈蒂的新國立競技場為止，都能對應各種設計類型的、代表日本的大型組織建築設計事務所。 　　設計的特徵，是將建築全體都收同在一層，將服務機能幾乎都收納到地下。回顧歷史就可發現，日本建築除了城郭與不會住人的塔等特殊構築物之外，其實並不存在高層建物。 　　為了在設施特性上要求最高層級的安全，擁有開闊視野的中庭雁行走廊，全部加上了大片玻璃的固定窗，再透過音箱將外部流水聲與大自然

聲響在室內播放。沙林事件以降，也假定從外部投進毒瓦斯的攻擊，因此配備了能夠仔細管控空氣狀態的設備。在基地角落所構築的假山也具有堡壘的機能。 　　一般是做不到這種程度的，這是由於國家項目才可能完成這類挑戰的優異建築。然而，關於這棟建物的評價，即便好幾次申請角逐日本建築學會獎（作品類），結果卻落選的這件事還引起話題。筆者參觀之後覺得雖然是和風，但實現了過去未曾存在的細長比例、以及高科技與和風的乖離及共存，進而造就出這棟建物的有趣之處。