Blog de Queensferry

时隔多年，Julia 机器学习系列终于迎来并不值得期待的更新！

趁着毕业设计研究图神经网络的机会，让我们来聊聊如何用 Julia 实现一个简单的图神经网络！

对于学生来说，九月是一个特殊的时节。夏日方尽，秋风转凉，新生入学，老人散场。九月并不长，但足以让很多事发生：其中有些或许会决定你剩余的人生，嗯，至少是未来的五到十年里的际遇。

九月，九月！

而我的九月并不顺畅。它动荡、坎坷，如同海上的风暴，一波又一波，让我喘不过气。

上周我花了两三天时间给 flake8 写了一个插件：flake8-too-many。这个插件可以算是 RSSerpent 项目的一个派生产品：我希望通过把这个插件应用到 RSSerpent 项目上，来保证其代码质量。本文将以 flake8-too-many 为例，介绍什么是 setuptools 的 entry point 机制、以及flake8 插件的基本结构。

大约在今年六月底时，我完成了本学期所有的课程设计，开始了悠闲的暑假生活。悠闲的暑假自然是要找点 side project 来做，于是一个在我脑海里盘桓已久的念头再度浮现了 —— 重写 RSSHub！说做就做，经过了一周左右的努力，我很高兴可以宣布 RSSerpent 项目已经正式发布 0.1.0 版本（PyPI）了！项目目前尚未成熟，未来可能仍有许多变化，但我们已经实现了核心功能。我将在这篇博客里介绍发起 RSSerpent 项目的初衷、我对项目的设想、近况与未来的计划～

上回说到如何使用 Julia + Flux.jl 完成一个简单的 MNIST 手写数字识别任务。通过使用 LeNet 架构，我们的神经网络在测试集上已经能达到约 99% 的正确率 —— 看起来很棒不是吗？但实际上我们的神经网络对训练数据集有着极强的依赖性。只需对测试数据做加入一点肉眼甚至难以察觉的噪音，就足以使神经网络产生「失之毫厘，谬以千里」的结果。本文就将讨论如何使用 Fast Gradient Sign Method（FGSM）¹ 扰动测试数据、从而对神经网络发起攻击。

神经网络很多时候在训练数据上保持着微妙而脆弱的平衡，这也在一定程度上佐证了「数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已」的观点。