معرفی شرکت ها

adversarial-friend-1.1.8

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
1.1.8
1.1.8

توضیحات

Group Project for CS 5523
ویژگی مقدار
سیستم عامل -
نام فایل adversarial-friend-1.1.8
نام adversarial-friend
نسخه کتابخانه 1.1.8
نگهدارنده ['Mario Serrafero, Jacob Isler']
ایمیل نگهدارنده ['isle0011@umn.edu, serra082@umn.edu']
نویسنده Adversarial_Friends Group
ایمیل نویسنده li002252@umn.edu
آدرس صفحه اصلی https://github.umn.edu/LI002252/CS_5523_Final_Project.git
آدرس اینترنتی https://pypi.org/project/adversarial-friend/
مجوز MIT
# CS_5523_Final_Project **This repo contains code and files of final project in CSCI 5523: Data Mining** ## Getting Started To import AdversarialFriend API, use the following pip command: `pip install adversarial-friend` ## Team Members Yangyang Li <li002252@umn.edu> Jacob Isler <isle0011@umn.edu> Mario Serrafero <serra082@umn.edu> ## Project Abtract We will explore parameter interpretation techniques for computer vision tasks, in order to get a deeper understanding of how to deal with real image data. Specifically speaking, the models to be used include generalized linear models like Logistic Regression, as well as more powerful techniques such as convolutional neural networks. What is more, we will document and implement these algorithms to extract the learned concepts that our models detect in input images. Finally, we will use the information, along with automatic input optimization, to programmatically generate adversarial examples using model-agnostic gradient-based methods that trick the learned models into misclassifying input images. For full project report, go to: [add link])() ## Reference [1] C. Olah, A. Satyanarayan, I, Johnson, S. Carter, L. Schubert, K. Ye, A. Mordvinstev, “The Building Blocks of Interpretability” Distill, 6-Mar-2018. [Online](https://distill.pub/2018/building-blocks/) [Accessed: 1-Dec-2020] [2] J. Johnson, EECS 498-007 / 598-005 Deep Learning for Computer Vision, University of Michigan, 10-Aug-2020. [Online](https://www.youtube.com/watch?v=qcSEP17uKKY&t=823s) [Accessed: 1-Dec-2020] [3] A. Kurakin, I. Goodfellow, S. Bengio, “Adversarial Examples in the Physical World” ICLR, 8-Jul-2016. [Online](https://arxiv.org/pdf/1607.02533.pdf) [Accessed: 1-Dec-2020] ## License This is free and unencumbered software released into the public domain. Anyone is free to copy, modify, publish, use, compile, sell, or distribute this software, either in source code form or as a compiled binary, for any purpose, commercial or non-commercial, and by any means.


نیازمندی

مقدار نام
==2.3.0 tensorflow
>=3.2.2 matplotlib
>=1.18.5 numpy
>=1.1.5 pandas
==2.4.3 Keras
==3.3.0 importlib-resources


زبان مورد نیاز

مقدار نام
>=3.6.0 Python


نحوه نصب


نصب پکیج whl adversarial-friend-1.1.8:

    pip install adversarial-friend-1.1.8.whl


نصب پکیج tar.gz adversarial-friend-1.1.8:

    pip install adversarial-friend-1.1.8.tar.gz