企业官网建设流程全解析

简介：这套基于深度学习的Python人脸静默活体检测项目源码，面向计算机相关专业正在准备毕业设计或期末大作业的学生，也适合需要完整实战项目练习的开发者，主要解决人脸防伪场景中的静默活体识别问题，涉及MTCNN人脸检测与FAS活体判别等核心环节。压缩包共8个文件，大小约10.82MB，包含Python源码、Markdown说明文档、深度学习模型权重、测试图片与演示视频等，各类型文件分工明确，便于对照学习与复现。目前已有72人学习，项目评审分为98分，属于经导师认可的高分设计。源码均经过本地编译调试，保证可运行；配合说明文档、模型和演示视频，使用者能够快速理解从人脸检测、活体判别到结果输出的完整流程，还可参考文档中的环境配置与调试思路，在此基础上进行二次开发或完成课程设计。

1. 人脸静默活体检测项目源码到底在解决什么问题：从一次门禁改造说起

去年做门禁设备升级时，客户最不满意的就是交互式活体检测：用户必须停下来眨眼、左右摇头，高峰期闸机口排成一串。换成静默活体检测方案后，人正常走过去，摄像头抓一帧人脸，几十毫秒内给出“真人/非真人”的判断。标题里的这个项目，核心就是用深度学习算法训练一个二分类模型，输入是单张人脸图，输出是活体概率，附带整套 Python 源码和文档说明。它解决的是打印照片、屏幕翻拍这类低成本攻击的防御问题，同时把交互时间降到零。适合正在做门禁、考勤、账户登录验证的工程师；如果你是刚接触深度学习的人，也可以把它当成一个完整的图像分类工程范例来读。这里有个反直觉的结论：静默方案省掉了用户配合，难度反而更高——因为没有时序动作可依赖，只能从单帧成像差异里找突破口。

2. 静默活体的原理与选型：为什么深度学习是当前主流方案

静默活体检测不是换一个网络结构那么简单，它背后是一套关于“真人和载体在成像上的差异”的假设。要落地这个标题里的源码项目，先得把任务边界、特征来源和模型选型这三件事想清楚。否则训练出来的模型在实验室 AUC 很高，现场一换摄像头就翻车。

2.1 静默活体检测的任务边界与三类常见攻击

静默活体检测的任务定义很简单：在用户不做任何配合动作的前提下，根据摄像头采集到的人脸图像判断它来自真实活体，还是照片、屏幕、面具等载体。相比交互式方案，它没有“眨眼”“转头”这类时序动作可以利用，模型只能从单帧图像的空间特征里找答案。

常见的攻击方式有三类。第一类是打印照片，包括纸质亚光照片和光面照片，特征是打印网点、色偏和纸张表面的反光；第二类是屏幕翻拍，手机或平板展示人脸照片或视频，特征是摩尔纹、像素栅格、屏幕边框和玻璃反光；第三类是纸质裁剪照片，直接把打印照片沿人脸轮廓剪下来挡住摄像头，这类攻击最难防，因为画面里没有人脸以外的边框线索。3D 面具在单目可见光下也属于高难度场景，单纯静默方案很难保证拦住，通常需要近红外或多视角配合。

所以一个合格的静默活体检测项目，本质是在做“细粒度真伪二分类”。模型学到的不是“这是谁”，而是“这张脸的皮肤纹理、反射模式、边缘结构到底来自真人还是来自印刷品或显示屏”。如果你拿到一份标题里这样的源码，第一步不是跑训练，而是先确认它覆盖了哪几类攻击，以及数据里是否包含对应的负样本。

2.2 深度学习相比传统手工特征的优势与代价

在深度学习普及之前，活体检测常用的是 LBP、HOG、SIFT 这类手工特征加 SVM 分类器。它们的思路是把人脸纹理编码成统计直方图，再训练一个分类边界。问题在于，手工特征针对的是“特定攻击的特定痕迹”——比如 LBP 对打印网点敏感，但对屏幕摩尔纹不敏感；换一个摄像头，曝光和 ISP 处理一变，特征分布就漂移，准确率断崖式下跌。

深度学习方案把“特征设计”变成了“特征学习”。网络自己从数据里发现打印照片的色差、屏幕翻拍的栅格、真实皮肤的亚表面散射等规律。它不需要人来定义特征，这有两个直接好处：一是新增攻击类型时，只需要补充数据重新训练，而不是重新发明特征；二是模型会学到一些人肉眼注意不到的微弱线索，比如真实人脸在边缘处的高频细节衰减模式。

代价也很明显。深度学习是个“黑匣子”，可解释性弱，训练结果对数据分布极其敏感。同一个网络，用 A 数据集训练能到 99% 准确率，换到 B 设备采集的数据可能只有 80%。这就是为什么在本文后面我会反复强调数据组织和验证协议，而不是模型结构——对一个活体检测项目来说，数据质量决定了模型的上限，网络结构只是逼近这个上限的手段。

2.3 主干网络选型：边缘设备上的计算约束与默认选择

活体检测模型的部署环境大多是门禁机、考勤机、支付终端这类边缘设备，CPU 算力有限，内存小，还要保证实时性。主干网络的选择直接决定产品能不能跑得动。下表是我在项目里常用的几个备选方案。

我一般默认用 MobileNetV2 作为主干，原因有两个：一是 torchvision 里直接有预训练权重，可以拿 ImageNet 初始化来加速收敛；二是它的倒残差结构在速度和精度之间比较平衡。输入分辨率设为 112x112 或 128x128，过大的输入尺寸会增加延时，过小则会丢掉屏幕摩尔纹这类高频纹理线索。

这里要特别注意：活体检测对高频细节很敏感，输入分辨率不要低于 96。很多新手为了追求速度把输入缩到 64，结果打印照片的网点全糊掉了，模型只能靠颜色猜测，一遇到光线变化就失灵。如果算力真的紧张，优先考虑量化而不是降低分辨率。

2.4 辅助监督设计：为什么补一个深度预测头

分类主干负责输出活体概率，但只有这一个监督信号时，模型容易偷懒——它可能抓到数据集里的某个偶然特征当成“真脸”标志，比如训练样本里活体都是暖色调、假体都是冷色调。为了迫使模型学到更本质的结构差异，常见做法是在主干之上再加一个辅助头，预测人脸深度图。

真实人脸是有三维结构的，鼻梁高、眼眶凹、脸颊平滑；而打印照片和屏幕是平面，深度图近似常数。这个差异非常稳定，不随光照和肤色变化。辅助头用 SmoothL1 损失回归深度图，让网络的中间特征必须携带三维形状信息，分类头再基于这些特征做真伪判断。深度真值不需要深度相机，用 PRNet 或 3DMM 这类人脸重建工具给训练图生成伪标签就行。总损失一般写成：

loss = CrossEntropy(logit, label) + lambda * SmoothL1(depth_pred, depth_gt)

lambda 我一般从 0.1 起步。伪深度标签本身有噪声，权重太大反而会把噪声放大；权重太小又起不到约束作用。数据量越大，辅助头的作用越不明显——如果你的训练集超过五万张，可以只用分类头；如果只有几千张，辅助头就是个很好的正则化器。

3. 组织与清洗数据：这是静默活体检测项目里最能拉开差距的一步

一个完整的人脸静默活体检测项目，源码只是骨架，数据才是血肉。拿到标题里这种“源码+文档说明”的工程包，文档里最先写的往往不是模型结构，而是数据目录怎么组织、标签文件长什么样。这一章把数据准备链路拆开讲透，因为这一步直接决定后面训练和评估有没有意义。

3.1 数据集目录结构与标签文件格式

先看最常见的目录组织方式。项目根目录下放一个 data 文件夹，按正负样本分成 live 和 spoof 两个子目录，每个子目录按采集设备或攻击类型继续分。我用 bash 展示一个可落地的结构：

data/ ├── live/ │ ├── device_a/ │ │ ├── person_001_frame_0001.jpg │ │ └── person_001_frame_0002.jpg │ └── device_b/ ├── spoof/ │ ├── print_photo/ │ ├── screen_replay/ │ └── paper_cutout/ ├── train.csv ├── val.csv └── test.csv

CSV 是比文件夹更可靠的标注方式，因为可以同时记录多个属性。我习惯至少保留四个字段：

image_path,label,person_id,attack_type

label 用 0 表示假体、1 表示活体；person_id 是身份标识；attack_type 记录打印、屏幕、裁剪等攻击来源。person_id 这一列极其重要，后面划分训练集和验证集时必须按它做分组，否则同一张脸既出现在训练集又出现在验证集，评估结果会虚高。

目录树里每个子目录对应什么攻击类型，要在文档说明里写清楚。实际项目中我还会加一个 background 目录，放一些没有人脸的纯场景图作为负样本。门禁设备经常被误触发，模型如果没见过“没有人脸”的输入，就可能把墙上的海报、远处的电视画面判成活体。加少量背景负样本能显著降低现场误报率。

3.2 人脸检测与5点对齐预处理

活体检测模型接收的是对齐后的人脸图，而不是原始摄像头帧。如果不做对齐，同一张脸在画面里可能出现各种位置、角度和尺度，模型不得不用一部分能力去学“位置不变性”，活体判别的能力就被稀释了。对齐的常见做法是先用 RetinaFace 或 MTCNN 检测人脸和 5 个关键点，再做仿射变换。

下面这段代码展示对齐的核心逻辑：

import cv2 import numpy as np # src 是标准人脸模板的 5 点坐标，顺序为左眼、右眼、鼻尖、左嘴角、右嘴角 SRC_TEMPLATE = np.array([ [38.2946, 51.6963], [73.5318, 51.5014], [60.0, 71.7366], [41.0, 92.3655], [70.0, 92.2041] ], dtype=np.float32) def align_face(image, landmarks, size=112): # landmarks 来自检测器输出，与模板顺序保持一致 dst = landmarks.astype(np.float32).reshape(5, 2) # 计算从人脸关键点到标准模板的仿射变换矩阵 M, _ = cv2.estimateAffinePartial2D(dst, SRC_TEMPLATE, method=cv2.LMEDS) aligned = cv2.warpAffine(image, M, (size, size), flags=cv2.INTER_LINEAR) return aligned

逻辑说明：estimateAffinePartial2D估计一个只包含旋转、平移和缩放的变换矩阵，把检测到的关键点映射到标准模板位置，再用warpAffine做重采样。LMEDS 方法对关键点噪声有一定鲁棒性，个别点偏移不会让整体对齐崩掉。输出尺寸统一为 112x112，与训练时模型的输入保持一致。

对齐失败的处理容易被忽略。检测器有时会漏检或给出错误的关键点，我的习惯是把这些样本单独记录下来，而不是直接丢弃。如果某个设备的数据连续大量失败，通常说明摄像头安装角度过高或者逆光严重，这是现场问题，不是算法问题，需要反馈给硬件侧。

3.3 数据增强：针对屏幕翻拍与打印照片的人工痕迹

活体检测的数据增强不能只做随机翻转和裁剪，更关键的是模拟现场成像差异。屏幕翻拍的样本经常有摩尔纹，打印照片有网点，普通摄像头传回的图像则可能有运动模糊和压缩伪影。我这里给出一套实战增强组合：

import random import cv2 import numpy as np def liveness_augment(img): # img 是对齐后的彩色人脸图，浮点型，范围 0~1 # 亮度与对比度抖动，模拟现场光照变化 if random.random() < 0.5: alpha = random.uniform(0.7, 1.3) beta = random.uniform(-0.1, 0.1) img = np.clip(img * alpha + beta, 0, 1) # HSV 色彩抖动，模拟不同摄像头白平衡差异 if random.random() < 0.4: hsv = cv2.cvtColor((img * 255).astype(np.uint8), cv2.COLOR_BGR2HSV) hsv[..., 0] = np.clip(hsv[..., 0] + random.randint(-10, 10), 0, 255) hsv[..., 2] = np.clip(hsv[..., 2] + random.randint(-30, 30), 0, 255) img = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR) / 255.0 # 高斯模糊，模拟失焦 if random.random() < 0.15: img = cv2.GaussianBlur(img, (5, 5), random.uniform(0.5, 1.0)) # JPEG 压缩伪影，模拟低码率视频流截图 if random.random() < 0.3: q = random.randint(30, 70) encode_param = [int(cv2.IMWRITE_JPEG_QUALITY), q] result, buf = cv2.imencode(".jpg", (img * 255).astype(np.uint8), encode_param) img = cv2.imdecode(buf, cv2.IMREAD_COLOR) / 255.0 return img.astype(np.float32)

参数说明：亮度抖动的 alpha 取 0.7~1.3，模拟暗光到强光的跨度；HSV 的色相变化控制在 ±10，避免把肤色改成绿色；高斯模糊概率只有 0.15，太频繁会让模型把“模糊”学成“假人”；JPEG 质量下限 30，模拟现场视频帧经过压缩后的典型画质。

一个关键注意事项：增强不要只加在活体样本上，假体样本也要同步增强。如果你只对 live 样本做模糊和压缩，模型学到的是“清晰=真、模糊=假”这种错误规律，现场照片一拍就穿帮。增强的目标是让真假两类样本在同一成像域里保持可区分，而不是让它们变得更不同。

4. 训练一个可用的活体检测模型：分类损失与辅助深度监督的组合

数据准备好之后，模型训练反而是一条比较标准的流水线。这一章给出一个可以直接抄走的 PyTorch 训练框架，包括网络结构、损失组合、训练参数和验证指标。你不需要从头实现什么新算法，把工程细节控制住就能得到可用模型。

4.1 网络结构与损失函数设计

整体结构是“主干 + 分类头 + 辅助深度头”。主干用 MobileNetV2 提取特征，分类头输出 2 类 logit，辅助头输出一张低分辨率深度图，后接 Sigmoid 得到深度值。损失函数是分类损失和深度损失的加权和。

类别权重需要根据数据分布调。如果 spoof 样本比 live 多，给 spoof 类一个更高的权重，比如class_weights = [1.0, 1.2]，避免模型偏向样本量大的类。深度损失的权重 lambda 前面说过从 0.1 开始。数据量小的项目建议加上辅助头，数据量大时不加也行，辅助头的作用会随数据规模扩大而减弱。

深度图的真值来源要提前确认。如果训练集是从公开数据集拿的，部分数据集已经提供了伪深度图；如果是自采数据，用 PRNet 批量跑一遍就行。伪标签质量不需要非常高，它只是给模型一个“平面与立体”的弱约束，精确度低一点也能起作用。

4.2 PyTorch训练脚本核心片段与参数说明

下面是训练脚本的核心部分，包含模型定义和训练循环：

import math import torch import torch.nn as nn import torchvision.models as models class LivenessNet(nn.Module): def __init__(self, num_classes=2): super().__init__() # 不同 torchvision 版本参数名不同： # 新版本用 weights=None，旧版本用 pretrained=False self.backbone = models.mobilenet_v2(weights=None) feat_dim = self.backbone.classifier[1].in_features self.backbone.classifier = nn.Identity() self.class_head = nn.Sequential( nn.Dropout(0.2), nn.Linear(feat_dim, num_classes) ) self.depth_head = nn.Sequential( nn.Conv2d(feat_dim, 64, 1), nn.ReLU(), nn.Upsample(scale_factor=4, mode="bilinear", align_corners=False), nn.Conv2d(64, 1, 3, padding=1), nn.Sigmoid() ) def forward(self, x): feat = self.backbone(x) feat = feat.mean((2, 3)) # 全局池化，供分类头使用 logit = self.class_head(feat) depth = self.depth_head(self.backbone.features[-1](x)) # 重新取特征图 return logit, depth

这段代码的逻辑是：backbone 负责提取特征，classifier被替换成Identity，因为我们要用自己的分类头。分类头先做全局池化再全连接，输出两类 logit；深度头对主干最后一层特征图上采样，输出与输入约 1/4 大小相等的深度图，Sigmoid 把数值压到 0~1 之间。注意depth_head里重新跑了一次 backbone 最后阶段，工程上更高效的做法是把特征图从主路径直接引出来。

训练循环的关键参数如下：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = LivenessNet().to(device) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) criterion_cls = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 1.2]).to(device)) criterion_depth = nn.SmoothL1Loss() base_lr = 1e-3 epochs = 60 warmup_epochs = 5 for epoch in range(epochs): model.train() total_loss = 0.0 for imgs, labels, depths in train_loader: imgs, labels, depths = imgs.to(device), labels.to(device), depths.to(device) optimizer.zero_grad() logit, depth_pred = model(imgs) loss_cls = criterion_cls(logit, labels) loss_depth = criterion_depth(depth_pred, depths) loss = loss_cls + 0.1 * loss_depth loss.backward() optimizer.step() total_loss += loss.item() # 学习率：前5轮线性warmup，之后余弦退火 if epoch < warmup_epochs: lr = base_lr * (epoch + 1) / warmup_epochs else: lr = base_lr * 0.5 * (1 + math.cos( math.pi * (epoch - warmup_epochs) / (epochs - warmup_epochs))) for g in optimizer.param_groups: g["lr"] = lr print(f"epoch {epoch}, loss {total_loss / len(train_loader):.4f}, lr {lr:.6f}")

我常用的一组初始训练参数如下表：

一个容易被忽略的细节：活体检测训练中正负样本在 batch 里要尽量均衡。如果训练集里 spoof 数量远多于 live，不要直接随机采样，而是在每个 batch 里按比例分别采样，保证每个 batch 都有足够数量的真脸和假脸。否则模型可能在 loss 上看起来收敛得很好，实际只是学会了全体输出“假”。

4.3 验证指标：不要只用Accuracy

准确率在活体检测里是不够用的。现场的正负样本比例极不平衡，每几千次验证里才出现一次攻击，如果模型永远输出“活体”，准确率也高达 99% 以上，但这个模型毫无用处。我习惯至少看下面几个指标：

验证时设置两个子集：一个是同设备采集的验证集，一个是其他品牌摄像头采集的验证集。模型在同设备上表现好只是及格，跨设备还能保持低 APCER 才能上现场。测试时还要把 attack_type 单独分组统计，比如分别看打印照片、屏幕翻拍、纸质裁剪各自的错误率，哪一类高就去补哪一类的数据。

5. 静默活体检测项目常见的五个坑：现象、原因与解决办法

活体检测项目最大的特点是对数据分布极度敏感，很多问题在训练曲线上一片平静，一到现场就爆雷。下面这五个坑是我做类似项目时反复遇到过的，每一条都按“现象、原因、解决”写清楚，希望能帮你少走弯路。

5.1 训练AUC很高，现场误报却失控：身份泄露导致评估虚高

现象：训练时验证集 AUC 达到 0.99，模型怎么看都完美，但现场上线后活体被频繁拒绝，用户投诉量暴增。

原因：数据集按帧随机划分训练集和验证集时，同一个人的多帧图像同时出现在两边。模型记住了具体的人脸身份，而不是真伪特征。验证集里的活体人脸它全都见过，AUC 自然虚高。

解决：按 person_id 做分组划分，保证同一个人的所有帧只进入训练集或验证集其中之一。用 GroupShuffleSplit 可以一行搞定：

from sklearn.model_selection import GroupShuffleSplit gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, val_idx = next(gss.split(images, labels, groups=person_ids))

更严格的做法是按采集 session 划分，而不是只按身份。同一个人在同一台设备、同一天内采集的几十帧高度相似，如果一部分进训练一部分进验证，仍然相当于轻度泄露。按 session 分组会让评估结果更接近真实上线表现。

5.2 打印照片被拦住，屏幕翻拍却漏判：模型记住了边框而非真假

现象：模型对打印照片的检出率很高，但屏幕翻拍的人脸却经常放行。细看之下，训练集里的屏幕翻拍样本大多带着手机边框，模型学到的是“有边框=假”，一旦攻击者把屏幕摆得很近、边框不出现在画面里，模型就失效了。

原因：屏幕翻拍样本的标注噪声和强视觉信号干扰了学习。边框和玻璃反光在图像里太显眼，网络倾向于选择这条“捷径”，而没有真正学习屏幕的像素栅格和摩尔纹。

解决：训练时对 spoof 样本做随机裁剪，裁掉边框区域；验证时单独统计“去边框”子集的准确率，确保模型不是靠边框判断。如果条件允许，采集屏幕翻拍样本时让屏幕尽量填满画面，避免边框成为主要线索。

5.3 换一个摄像头模型就失效：成像域差异比想象中大

现象：实验室用罗技摄像头采集数据训练，AUC 0.99；现场换了某品牌枪机，误报率直接飙到 20%。

原因：不同摄像头传感器的光谱响应、ISP 处理、白平衡和降噪算法完全不同，人脸皮肤在图像里的纹理表现差异很大。深度学习模型对“采集域”非常敏感，同一个真脸在不同摄像头下可能被当成两个不同的域。

解决：增强侧多做色彩抖动和直方图匹配，这是低成本手段；更有效的是拿到目标摄像头的少量现场数据做微调。现场采集几百张活体人脸，打上标签后按 1:10 的比例混入训练集重训，通常能把误报率拉回可用水平。这是我在同类项目里验证过的最可靠路径。

5.4 小batch训练正常，部署后第一帧概率抖动：BN统计漂移

现象：模型在 GPU 上验证正常，导出到 CPU 后前几帧的活体概率忽高忽低，等运行几秒后逐渐稳定。

原因：训练时 batch_size 迫于显存被调到 8 或 16，BatchNorm 的均值和方差统计量在这么小的 batch 上波动很大。训练完成后模型保存的是训练阶段的全局统计量，但小 batch 的估算不够准，部署初期就会不稳定。

解决：尽量把 batch_size 保持在 64 以上，可以缩小输入尺寸来腾出显存，而不是减小 batch。如果算力受限，把主干的 BatchNorm 换成 GroupNorm，它不依赖 batch 统计量，小 batch 下稳定得多。代价是 GroupNorm 在推理时略慢，需要自己权衡。

5.5 量化后掉点严重：分类分支和深度分支的动态范围冲突

现象：FP32 模型 EER 3%，转成 INT8 后 EER 涨到 8%，掉得没法用。

原因：分类头输出的 logit 取值范围较小，深度头输出的深度图经过 Sigmoid 后范围是 0~1，两个分支的动态范围差异大。量化时同一个量化尺度覆盖两个分支，精度自然受损。

解决：先按分支拆分量化范围，对分类头单独使用 per-channel 量化；如果引擎支持，对分类头所在层保留 FP16。还有一种做法是量化后做几轮 QAT（量化感知训练），让网络适应低比特误差。不要指望直接 PTQ 不掉点，活体检测对纹理细节敏感，掉点幅度通常比普通分类任务更明显。

6. 部署与模型更新闭环：导出ONNX、量化与现场回灌

模型训练完成只是项目的一半，部署和迭代才是长期工程。最后分享一个部署与验证的进阶思路。

6.1 ONNX导出与onnxruntime最小推理代码

模型从 PyTorch 导出到 ONNX，可以让部署机不必安装完整的深度学习框架，也方便后续切换推理引擎。导出时建议固定 batch 为 1，以避免某些平台对动态维度兼容不佳：

import torch model.eval() dummy = torch.randn(1, 3, 112, 112) torch.onnx.export( model, dummy, "liveness.onnx", input_names=["input"], output_names=["logit", "depth"], opset_version=13 )

导出后用 onnxruntime 验证输出一致性：

import onnxruntime as ort import numpy as np sess = ort.InferenceSession("liveness.onnx", providers=["CPUExecutionProvider"]) input_name = sess.get_inputs()[0].name img = np.random.randn(1, 3, 112, 112).astype(np.float32) logit, depth = sess.run(None, {input_name: img})

逻辑说明：logit 是分类输出，取 argmax 或 softmax 后得到活体概率；depth 是辅助头的深度图，部署时可以丢弃，也可以用来做后处理过滤——比如预测深度方差过小的输入大概率是平面载体。推理引擎的选择按部署芯片来，常见的是 ONNX Runtime 或 TensorRT，两者都支持 INT8 量化，量化时机放在导出之后、现场测试之前。

6.2 现场回灌与模型更新的闭环习惯

我自己的习惯是：每次上线后第一周每天抽看误报和漏报样本，按 attack_type 归类，之后每月做一次现场采样回灌训练集。不要以为模型训完就结束了，活体检测面对的攻击手段和现场环境是动态的，新屏幕、新打印机、不同角度光线都会让旧模型逐渐失效。

回灌时注意控制新旧数据比例，一般用旧数据加新数据的 1:5 到 1:10 混合训练，避免模型在新数据上过拟合而遗忘旧场景。每次更新后都要重新跑一遍跨设备验证，确保改动没有破坏对原有攻击类型的防御力。最后把更新后的模型导出 ONNX，替换部署文件并记录版本号，方便线上回退。这套闭环做好，模型的现场表现会随迭代稳步提升，希望帮到你。

本文还有配套的精品资源，点击获取