5 月 7 日，机器之心联合华为昇腾学院开设的线上公开课《轻松上手开源框架MindSpore》第 5 课完成，刘志丹讲师为大家带来了主题分享《MindSpore模型健壮性评估工具》，第 5 课回顾视频如下：
第五课精选问答
在第五课的 QA 环节中，有一些问题被大家广泛提到，刘志丹讲师再次做了精选与编辑，供大家参考。
Q1：为什么要用sign函数？
Q2：增加防御算法后精度会降低？
不一定。防御算法用了对抗训练的方式，生成对抗样本加入原始数据集中，一起训练模型，得到的模型参数和单纯用原始数据集的模型参数是有一点差异，这个差异，可能使得在测试集上的精度发生变化，可能减少，也可能增加。
Q3：增加防御算法对训练时间的影响？
用不用对抗训练的差别是，对抗训练在正常的模型训练过程中增加了生成对抗样本的步骤，所以训练时增加的计算开销在于生成对抗样本，用不同的攻击算法，时间开销不同，如果用FGSM这种简单的攻击算法，增加的时间是很少的，如果用CW这种比较强的攻击方法，时间开销就会大一些。具体选用哪种攻击算法，需要用户根据自己的需求，综合时间开销和安全性需求，选择一个合适的攻击算法。
Q4：增加对抗训练过程，对推理时间会造成什么影响？
对推理没有影响，模型训练完了之后，跟正常的模型是一样的，所以推理时间和原来的模型推理时间是一样的。
Q5：对抗训练时使用的对抗样本和防御后测试时使用的对抗样本一样吗？
不一样。训练、测试时用的对抗样本生成方法可以一样，也可以不一样。
Q6：与cleverhans有什么区别?
MindArmour和Cleverhans的出发点是一致，都是要做模型的对抗样本安全的研究。从提供的特性来讲，MindArmour做的更全面一些，包括了对抗样本的生成、检测、模型的防御、对抗攻防的评估模块，还有通过fuzzing方式对模型进行鲁棒性测试的模块。
大家后续如有更多问题， 欢迎关注 MindSpore 的 gitee 和 github，随时提 issue，官方人员将及时为大家解答：
Gitee：https://gitee.com/mindspore
GitHub：https://github.com/mindspore-ai
第五课PPT如下：
