本目录保存了两个独立联邦学习后门复现项目：
dlg-master/：Deep Leakage from Gradients 复刻工程。edgecase_backdoors-master/edgecase_backdoors-master/：MultiMetricDefense (ICCV 2023) 复现代码及实验产物。
如需查看multi信息，请点击：README_multi
此处的README是描述Deep Leakage from Gradients (DLG) 基于 mit-han-lab/dlg（NeurIPS 2019）进行复现与工程化改造，面向 Windows/PowerShell 环境提供一键运行与更丰富的实验配置（数据集选择、批量样本、TV 正则、指标导出与结果保存）。
本文档包含：
- 复现实验步骤（MNIST / CIFAR-100 / LFW）
- 关键命令（Windows PowerShell）
- 代码相对于上游的修改列表与动机
- 结果产出（history.png / recon.png / metrics.txt）
建议使用 Python 3.8+；在仓库根目录安装依赖：
python -m pip install --upgrade pip
pip install -r requirements.txtrequirements.txt：
- torch, torchvision（请根据本机 CUDA 选择合适版本）
- pillow, matplotlib
# 运行 300 次迭代，保存历史图
python main.py --dataset cifar100 --index 25 --iters 300 --save-history --save-final产物：
- history.png：每 10 次迭代的重建快照
- recon.png / target.png：最终重建和原图
- metrics.txt：MSE 与 PSNR 指标
可选参数：
--tv-weight 0.005：开启 TV 正则，提升视觉质量--indices 10 25 70：批量恢复多个样本
# MNIST 单样本，1200 次迭代
python main.py --dataset mnist --model lenetmnist --index 5 --iters 1200 --save-history --save-final --tv-weight 0.005说明：
- 模型：
lenetmnist（1x28x28 输入），与上游 LeNet 结构一致风格但针对 MNIST 自动计算 FC 维度。 - 指标：执行结束后在 metrics.txt 输出 MSE 和 PSNR。
# CIFAR-100 单样本，1200 次迭代
python main.py --dataset cifar100 --model lenet --index 25 --iters 1200 --tv-weight 0.005 --save-history --save-final- 模型：
lenet（3x32x32）；也可用resnet18试验不同结构。 - 建议开启 TV 正则，重建更平滑。
# LFWPeople 数据集（自动下载），图像统一到 64x64
python main.py --dataset lfw --model lenet64 --index 10 --iters 1500 --tv-weight 0.005 --save-history --save-final- 模型：
lenet64（3x64x64），自动推断 FC 输入维度。 - LFW 类别数较多，优化更慢；可尝试更高迭代数或更强 TV。
# 同时恢复多个索引样本
python main.py --dataset cifar100 --indices 10 25 70 123 --iters 800 --tv-weight 0.003 --save-final- 将根据 batch 的平均梯度进行匹配，虚拟变量
dummy_data/dummy_label将是同 batch 维度。 - 输出会保存 recon_.png / target_.png。
# 用外部图片替换数据集样本，指定标签与类别数
python main.py --dataset cifar100 --image .\path\to\your.jpg --label 0 --num-classes 100 --iters 600 --save-final- 程序会根据所选数据集自动 resize 到合适尺寸；MNIST 会转为灰度。
- 若不指定
--label，默认使用当前数据集索引对应的标签（但当以自定义图片替换时建议显式传入--label和--num-classes）。
--dataset {cifar100,mnist,lfw}：选择数据集--index / --indices：单样本或多样本索引--model {lenet,lenetmnist,lenet64,resnet18}：模型结构--iters：迭代次数（300~2000 视任务而定）--tv-weight：TV 正则权重（0~0.01 常用）--save-history / --save-final：保存历史/最终图像--device：指定 cuda/cpu（默认自动检测）--seed：随机种子
文件：main.py
- 新增：
--dataset（cifar100/mnist/lfw），自动下载与预处理（尺寸与通道）--indices批量样本支持；--image/--label/--num-classes自定义图片与标签--tv-weightTV 正则，并加入到优化目标中--save-final/--save-history输出结果与历史快照--model扩展：lenetmnist、lenet64、resnet18- 计算并保存 MSE/PSNR（
metrics.txt） - 更稳健的数据根目录管理（
--data-root，默认./data） --iters、--seed、--device等工程参数
- 变更：
- 统一使用
Path与 transforms 设定；自定义图片自动 resize/色彩模式 - 在优化循环中添加
clamp_[0,1]保持像素范围 - 日志格式化与迭代进度输出
- 统一使用
文件：models/vision.py
- 修复/清理：
- 移除重复的
weights_init定义，增加简要注释 - 将旧的
F.Sigmoid替换为F.relu（ResNet 部分）
- 移除重复的
- 新增：
LeNetMNIST（1x28x28 输入，自动推断 FC 维度）LeNet64（3x64x64 输入，适配 LFW 等较大分辨率）ResNet工厂函数支持num_classes参数LeNet(num_classes)：保留 CIFAR-100 兼容版本（3x32x32，FC=768）
文件：requirements.txt
- 新增依赖文件，便于一键安装。
文档：REPRODUCTION.md（本文）
- 详细记录了复现步骤与改动说明。
- 程序结束后会输出：
Final MSE=... PSNR=... dB并写入metrics.txt。 - 若启用
--save-history，会保存history.png，每 10 次迭代一帧。 - 若启用
--save-final，会保存recon.png/target.png（batch 模式下为recon_*.png/target_*.png）。
- LBFGS 偶尔不稳定：尝试更换随机种子、提高迭代数、增大
--tv-weight。 - 结果偏暗或有噪点：保持
clamp_[0,1]；适度 TV；或尝试resnet18/lenet不同架构。 - LFW 收敛慢：提高迭代数（1500~2000）；或使用更浅的网络（
lenet64）。 - 自定义图片：建议明确
--label与--num-classes，避免与数据集默认标签不一致。
- 上游代码：mit-han-lab/dlg
- 论文：Deep Leakage from Gradients (NeurIPS 2019)
如需扩展到文本任务（BERT 等），可将输入变量改为连续 embedding（或 soft token 分布）并保持梯度匹配目标，流程与图像一致；后续可单独提供 text_main.py 示例骨架。