我有一个猫图像数据集，我将数据集一分为二。我将一组图像分类为 1，另一组为 0。这很难学习。我正在考虑通过使用对抗性示例增加猫之间的差异来提高模型的准确性。例如，一旦我在所有图像上放置相同的对抗变换，我的算法应该通过放大类之间的微小差异来更好地学习。更好的是，我想学习一个可以提高我准确性的对抗性示例。我在 pytorch 中使用了一个名为“傻瓜盒”的库。我知道如何创建对抗性示例。如果您建议，可以选择使用另一个库。
import foolbox as fb
model = Net()
fmodel = fb.PyTorchModel(model, bounds=(0, 1))
attack = fb.attacks.LinfPGD()
epsilons = [0.0, 0.001, 0.01, 0.03, 0.1, 0.3, 0.5, 1.0]
_, advs, success = attack(fmodel, images, labels, epsilons=epsilons)
但是我不知道如何学习一个对抗性示例，该示例将向左拉另一门课程。感谢您的帮助。