rename files in chapter 8 9 10

08-딥러닝_해킹하기_Adversarial_Attack/README.md

@@ -1,92 +1 @@
 # 딥러닝 해킹하기
-
-* [개념] 적대적 공격(Adversarial Attack) 이란?
-* [프로젝트 1] FGSM 공격
-* [프로젝트 2] 목표를 정해 공격하기
-
-사람이 착시를 보듯 딥러닝 모델도 일종의 '착시'를 봅니다. 
-다만 이미지를 인식하는 구조가 다르기 때문에
-컴퓨터가 보는 착시는 사람의 그것과는 다른 종류입니다.
-머신러닝 모델의 착시를 유도하는 이미지, 오디오, 등 모든 입력을
-적대적 예제(Adversarial Example)라고 일컫습니다.
-의도적으로 적대적 예제를 생성해서
-여러가지 머신러닝 기반 시스템에 보안 문제를 야기하는
-적대적 공격(Adversarial Attack)에 대해서 자세히 알아보겠습니다.
-
-## 적대적 공격(Adversarial Attack) 이란?
-
-머신러닝에 의존한 서비스가 많아지면서
-자연스럽게 머신러닝의 보안 또한 중요도 또한 커지고 있습니다.
-최근 구글 브레인에서 진행한 연구에 의하면 모든 머신러닝 분류기가
-속임수에 의해 잘못된 예측을 할 수 있다고 합니다.
-더욱 놀라운 것은 복잡한 딥러닝 모델을 속이는데
-그리 많은 노력과 기술이 들어가지 않는다는 것입니다.
-
-자율주행, 은행의 비정상거래탐지, 영상인식, 의료영상분석등
-실수가 용납되지 않는 분야에서도
-시스템의 신뢰도를 떨어뜨린다는 점에서 약점이 존재한 다는 것은 치명적입니다.
-자율주행차가 표지판을 보지 못할수도, 의료진단 시스템이 병을 놓칠수도 있고,
-심지어는 영상 뿐만 아니라 텍스트와 오디오까지 적용 가능하다는 것이
-최근 밝혀지고 있습니다.
-공격 방법이 조금만 더 발전되면 카페의 음악 속에 몰래 명령을 넣어
-음성비서가 오작동하게 할 수도 있을 것입니다.
-사실 아직까지는 딥러닝 모델 내부를 해석하는 초기 단계에 있기 때문에
-최근 연구에서도 효과적인 방어법을 시원하게 내놓진 못하고 있습니다.
-이와 같은 이유로 각종 공격과 방어 방법, 그리고 더 근본적으로는
-딥러닝 모델이 어떻게 데이터를 해석하는지 파해치는 분야의 연구가
-활발하게 진행중입니다.
-
-![적대적 공격 개념 그림]()
-
-앞서 딥러닝의 가능성과 성능을 목격한 상태에서,
-어떻게 이것이 가능한가 의문이 들 것입니다.
-잘 학습된 딥러닝 모델도 가끔씩 실수를 일으키기 마련입니다.
-모델 내에서는 연속적인 입력의 변환이 일어나게 되는데,
-변환은 입력의 특정 구조에 매우 예민하게 반응합니다.
-모델이 예민하게 반응하는 부분을 공략함으로서
-모델을 헷갈리게 할 수 있는 것입니다.
-
-보통 컴퓨터를 해킹하는 방법이 무궁무진 하듯
-적대적 공격은 여러 종류가 있습니다.
-그중 대표적인 몇개를 알아보도록 하겠습니다.
-
-`torchvision`의 학습된 모델을 가져와서
-ResNet과 DenseNet같은 복잡한 모델을 무력화 시키는 것이
-얼마나 간단한지 직접 느껴보시기 바랍니다.
-
-![ResNet vs FGSM 그림]()
-
-
-## 적대적 공격의 종류
-
-적대적 공격은 적절한 잡음 (노이즈)를 
-생성해 사람의 눈에는 똑같이 보이지만 머신러닝 모델을 헷갈리게 만드는 것이 핵심입니다.
-인식 오류를 일으키지만 가장 원본과 차이가 적은,
-즉 제일 작은 노름(norm)을 가진 노이즈를 찾는 것이고,
-결국 최적화(Optimization)문제로 해석할 수 있습니다.
-
-노이즈를 생성하는 방법은 굉장히 여러가지입니다.
-모델 정보가 필요한지,
-우리가 원하는 정답으로 유도할 수 있는지,
-여러 모델을 동시에 헷갈리게 할 수 있는지,
-학습이 필요한지 등의 여부에 따라 종류가 나뉩니다.
-
-대표적인 분류 방법 몇가지를 알아보겠습니다.
-처음으로 그래디언트 같은 모델 정보가 필요한지의 여부에 따라서
-모델 정보를 토대로 노이즈를 생성하는 화이트박스(White Box),
-그리고 모델 정보 없이 노이즈를 생성하는 블랙박스(Black Box)로 나뉩니다.
-그리고 우리가 원하는 정답으로 유도가 가능하다면 Targeted,
-아니라면 Non-Targeted라고 부릅니다.
-마지막으로 한 노이즈가 특정 입력에만 적용되면 Image Specific,
-모든 이미지에 동시에 적용이 가능한 노이즈면 Universal하다고 합니다.
-
-가장 강력한 공격방법은, 모델 정보 필요 없이,
-우리가 원하는 정답으로 유도 가능하고,
-학습이 필요하지 않으며 여러 모델에게 동시에 적용 가능한 방법이겠지만,
-각 특징에 기회비용이 존재합니다.
-
-![적대적 공격 종류 그림]()
-
-물론 실제로 사용되는 딥러닝 시스템들은
-모델 내부 정보를 공개하고 있지 않고 여러가지 노이즈를 제거하는
-전처리 과정을 거치므로 훨씬 공격하기 힘들어지게 됩니다.

09-경쟁을_통해_학습하는_GAN/README.md

@@ -1,76 +1 @@
 # 경쟁을 통해 성장하는 GAN
-
-GAN을 이용하여 새로운 패션 아이템을 만들어봅니다.
-
-  * [개념] GAN 기초
-  * [프로젝트 1] GAN으로 새로운 패션아이템 생성하기
-  * [프로젝트 2] Conditional GAN으로 생성 컨트롤하기
-  * 더 보기
-
-## GAN 기초
-
-GAN을 설명할때 항상 나오는 명언이 있습니다.
-바로 양자 역학에 대한 공으로 노벨 물리학상을 받은
-리처드 파인만(Richard Feynman) 교수의
-"내가 만들어낼 수 없다면 이해하지 못한 것이다"
-(What I cannot create, I do not understand)
-라는 문장입니다.
-빈 종이가 주어졌을때 처음부터 끝까지 *자신만의 자세한 설명*
-을 할 수 있어야 진정한 '이해'에
-도달한다는 취지에서 말을 한 것이라 생각됩니다.
-비슷한 맥락으로 단순히 고양이와 강아지를 구분하는 것과
-고양이와 강아지를 그릴 수 있는 것은 이해의 정도에
-큰 차이가 있다고 할 수 있습니다.
-우리가 지금까지 만든 딥러닝 모델들은 이미지를 구분 하는 정도에 그쳤지만
-이제 그림을 그리는 뉴럴넷을 만드는데 도전해보려고 합니다.
-
-Generative Adversarial Networks,
-흔히 줄여서 GAN이라 부르고 이안 굿펠로우(Ian Goodfellow)가
-2014년 처음 제안한 이 방법론은 한국어로 직역하면
-'적대적 생성 신경망'입니다.
-왠지 더 어려워보이는 한국어 이름이지만
-한 단어씩 뜯어보면 그 의미를 알 수 있습니다.
-
-먼저 GAN은 '생성'을 하는 모델입니다.
-기존에 배운 CNN이나 RNN으론 새로운 이미지나 음성을 만들어 낼 수 없었습니다.
-GAN은 새로운 이미지나 음성을 '창작'할 수 있도록 고안되었습니다.
-
-두번째로 GAN은 '적대적'으로 학습합니다.
-adversarial 이라는 단어의 사전적인 의미는
-'서로 대립 관계에 있는', 혹은 '적대적인'입니다.
-이름이 암시하듯 GAN 방법론에선
-가짜 이미지를 생성하는 생성자(Generator)와
-이미지의 진위 여부를 판별하는 판별자(Discriminator)가
-연달아 학습을 하며 경쟁적으로 (적대적으로) 학습을 하게 됩니다.
-
-판별자는 앞서 배운 신경망 모델들과 매우 비슷합니다.
-입력 x와 진위여부 y 사이의 관계를 학습하는 모델이라고 볼 수 있습니다.
-생성자는 진짜 데이터 x 가 어떻게 생겼는지를 배우는 모델입니다.
-정확하게는 입력의 분포를 배우게 됩니다.
-프로젝트 2에서는 한발 더 나아가 레이블 y가 주어졌을때
-진짜 데이터 x가 어떻게 생겼는지를 배우는 모델을 만들어
-직접 생성을 통제할 수 있도록 해보겠습니다.
-
-마지막으로 GAN은 '신경망'입니다.
-Generator와 Discrinimator 모두 뉴럴넷으로 되어있습니다.
-
-GAN을 한마디로 종합하자면 서로 대립하는
-두 모델의 경쟁을 통해 학습을 하는 방법론입니다.
-얀 르쿤 (Yann LeCun)은 이 아이디어를
-"근 20년간의 머신러닝 연구 중 가장 재밌는 아이디어"
-라고 했고 앤드류 응(Andrew Ng)을 비롯한 많은 연구자들도
-앞으로 딥러닝을 이끌 기술중 하나라고 진단하고 있습니다.
-이에 힘입어 GAN을 활용한 엄청난 수의 논문이 쏟아지고 있습니다.
-
-GAN이 이토록 주목받고 미래지향적이라는 평가를 받는
-이유중 하나는 바로 비지도 학습을 한다는 것입니다.
-세상에 존재하는 데이터는 기하급수적으로 증가하는 중이고,
-대부분의 데이터는 정답(label)이 없습니다.
-그렇다고 사람이 모든 데이터를 일일이 가공하기엔 한계가 많습니다.
-GAN은 앞서 배운 오토인코더와 같이 비지도학습을 하여
-사람이 데이터에 주는 영향을 최소화 하며 학습을 할 수 있습니다.
-
-앞서 나온 이유들과 더불어 GAN의 방법론은
-유연하여 무궁무진한 응용이 가능합니다.
-머신러닝으로 풀고자 하는 문제들 대부분에 GAN을 이용한 방법이
-시도되고 있으며 놀라운 성적을 내고 있습니다.

10-주어진_환경과_상호작용하며_성장하는_DQN/README.md

@@ -1,57 +1 @@
 # 주어진 환경과 상호작용을 통해 성장하는 DQN
-
-간단한 게임환경 안에서 스스로 성장하는 DQN 에이전트를 만들어봅니다.
-
-  * [개념] 강화학습과 DQN기초
-  * [팁] OpenAI Gym
-  * [프로젝트 1] 카트폴 게임 마스터하기
-  * 더 보기
-
-
-## 강화학습과 DQN기초
-
-사람은 스스로 성장합니다.
-선생님이 가르쳐 주는 지식도 중요하지만 자기주도적 학습을 하는 것도 중요합니다.
-기계학습에도 비슷한 영역이 있습니다.
-주어진 환경과 상호작용을 통해 가장 좋은 점수를 받는 쪽으로
-성장하는 머신러닝 분야를 "강화학습" 이라고 부릅니다.
-비유를 들자면 앞서 배웠던 학습 방법들이 우리가 원하는
-교재(데이터셋)를 외우게 하는 주입식 학습법이고 강화학습은
-자기주도적 학습법이라고 볼 수 있습니다.
-강화학습에서 사람은 목표를 설정해주고
-당근과 채찍을 이용해 성장시키는 코치입니다.
-
-누가 가르쳐주지 않았는데도 우리는 각자 나름대로 뛰는법을 배웠습니다.
-처음 뛰었을때를 상상해보세요. 처음부터 숨을 어떻게 쉬고, 팔을 어떻게 흔들고,
-다리 근육을 어떻게 사용하는지 머릿속으로 일일이 생각을 하면
-오히려 부자연스러워 지기 마련입니다.
-일어섰다가 넘어지기를 반복하며 우리들은 시행착오를 통해 걷고 뛰는 법을 배웁니다.
-강화학습 에이전트도 주어진 환경안에서 여러가지의 시행착오를 통해 좋은 피드백을
-좋은쪽으로 최적화를 하는 것이 목표입니다.
-
-![rl](./assets/rl.png)
-
-강화학습은 크게 상태(State), 에이전트(Agent), 행동(Action), 보상(Reward)의
-4가지 요소로 나눌 수 있습니다.
-환경은 우리가 마스터하기 원하는 무대이고 시간에 따라 다른 상태를 제공합니다.
-에이전트는 인공지능 플레이어입니다.
-그리고 에이전트가 환경 안에서 여러가지 행동을 함에 따라
-나오는 피드백을 보상, 혹은 리워드라고 부릅니다.
-
-
-2013년 구글 딥마인드는 NIPS라는 학회에서
-"딥 강화학습을 이용하여 아타리 게임하기"
-(Playing Atari with Deep Reinforcement Learning)라는 논문을 냅니다.
-이 논문은 Deep Q-Network, 혹은 줄여 DQN이라고 부르는 알고리즘을 이용하여
-아타리사의 유명한 게임들에서 사람보다 월등한 성능을 내는 인공지능을 만들어 많은 주목을 받았습니다.
-사전에 주어진 정보 없이 화면과 조종키 몇개만 주어진 환경에서 기존 알고리즘들보다
-월등하게 좋은 성능을 내었고, 심지어 특정 게임에서는
-버그를 찾아 치사한 방법으로 이기는 모습도 보여주었습니다.
-딥마인드사는이 업적을 바탕으로 딥 강화학습이라는 연구 분야를 개척하고 구글에 인수가 됩니다.
-
-
-“얼마나 대단한 알고리즘이길래?” 라고 하실 수 있습니다.
-하지만 인공신경망과 비슷하게 코드로 담아보면 몇줄 안되는 것을 발견할 수 있습니다.
-
-DQN은 갑자기 새롭게 튀어나온 아이디어라기 보다는 고전적인
-Q-Learning이라는 알고리즘에 뉴럴넷과 여러가지 테크닉을 접목한 결과입니다.

test/test_08.py

@@ -0,0 +1,27 @@
+import sys
+import os
+from importlib import import_module
+
+
+# setup path
+chapter_name = "08-딥러닝_해킹하기_Adversarial_Attack"
+dir_path = os.path.join(os.path.dirname(os.path.realpath(__file__)), ".." , chapter_name)
+sys.path.append(dir_path)
+
+
+
+def test_chapter_exmaples():
+    mydir_tmp = os.path.join(dir_path) # add the testA folder name
+    mydir_new = os.chdir(mydir_tmp) # change the current working directory
+    mydir = os.getcwd()  # set the main directory again, now it calls testA
+
+    chapter_examples = [
+        # "text_classification",
+        # "sequence_to_sequence",
+    ]
+
+    for example in chapter_examples:
+        imported_package = import_module(example)
+
+if __name__ == "__main__":
+    test_chapter_exmaples()