auto_LiRPA：神经网络形式化验证的工业化利器

auto_LiRPA 架构图 图1：auto_LiRPA 与 α,β-CROWN 在 VNN-COMP 竞赛中的架构概览

一、痛点切入：当 AI 模型遇到「对抗样本攻击」

想象这样一个场景：你训练了一个准确率 99% 的图像分类模型，自信满满地部署上线。然而，一个在人类看来完全相同的图片——只是在像素上做了极其细微、人眼几乎无法察觉的调整——就能让模型瞬间「失明」，输出完全错误的分类结果。这就是著名的**对抗样本（Adversarial Example）**问题，由 Christian Szegedy 等人在 2013 年首次提出。

对于安全至关重要的应用场景——自动驾驶、医疗影像诊断、金融风控——模型被对抗样本欺骗的代价是不可接受的。传统的对抗训练方法只能「尽力防御」，却无法给出数学上的安全性证明。换句话说，你无法回答这样一个问题：「在这个扰动范围内，这个模型是否绝对安全？」

auto_LiRPA（Automatic Linear Relaxation based Perturbation Analysis）正是为了回答这个问题而生的。它是一套完整的**神经网络形式化验证（Formal Verification）**框架，能够在数学上证明：在某个扰动幅度 ε（如 L_∞ 范数下像素值变化不超过 0.01）内，神经网络的输出不会发生错误。这种「证明」比概率性的实验测试强了无数个量级，因为它对网络中的每一条计算路径都进行了严格的数学推导。

二、项目起源：从学术论文到工业基准

auto_LiRPA 起源于伊利诺伊大学厄巴纳-香槟分校（UIUC）Huan Zhang 副教授课题组的学术研究。Huan Zhang 是神经网络鲁棒性验证领域的知名学者，其参与的 α,β-CROWN 团队自 2021 年起连续多年在**VNN-COMP（神经网络验证国际竞赛）**中夺魁。2025 年，α,β-CROWN 更是在所有评分基准中均排名第一，确立了其在工业级神经网络验证工具中的领先地位。

项目的核心创新在于：将线性松弛（Linear Relaxation）技术自动化。传统上，研究者需要手动推导每一种新型神经网络算子（如注意力机制、归一化层）的验证边界，门槛极高。auto_LiRPA 通过 PyTorch 的计算图自动微分机制，自动遍历任意自定义的计算图结构，为图中的每一个节点推导验证边界。用户只需像正常使用 PyTorch 那样定义前向计算，BoundedModule 会自动完成所有边界推导工作——使用体验与训练普通 PyTorch 模型几乎一致。

三、核心功能：从理论到实践

3.1 支持的验证算法

auto_LiRPA 实现了当前业界最全面的神经网络验证算法族，包括：

CROWN / DeepPoly：最早一代的线性松弛验证器，通过线性上界逼近 ReLU 等非线性激活函数
IBP（Interval Bound Propagation）：区间传播，简单高效但精度有限
CROWN-IBP / α-CROWN：将 CROWN 和 IBP 结合，通过参数化系数实现效率和精度的平衡
β-CROWN / α,β-CROWN：引入分支定界（Branch and Bound）机制，精度接近完全验证，同时保持高效
GCP-CROWN：引入梯度一致性惩罚，进一步提升精度
INVPROP：可微分验证框架，支持端到端训练

这些算法覆盖了从快速近似估计到精确完全验证的完整光谱，用户可以根据精度需求和计算资源灵活选择。

3.2 核心使用模式

auto_LiRPA 的使用分为两步：（1）定义计算图；（2）自动计算验证边界。 典型用法如下：

import torch
from auto_LiRPA import BoundedModule, BoundedTensor

# 第一步：用 BoundedModule 包装原始 PyTorch 模型
model = ...  # 任意 PyTorch nn.Module
wrapped_model = BoundedModule(model, global_input=(torch.randn(1, 3, 32, 32),))

# 第二步：定义扰动（如 L_infinity 扰动，epsilon=0.031）
ptb = PerturbationLpNorm(norm=float('inf'), eps=0.031)
x = BoundedTensor(torch.randn(1, 3, 32, 32), ptb)

# 第三步：自动推导上界（自动遍历整个计算图）
lb, ub = wrapped_model.compute_bounds(x, method='CROWN-IBP')

这种「自动微分式」的验证边界推导是 auto_LiRPA 最核心的技术突破——它使得非形式化验证领域的专家也能轻松使用复杂验证算法。

3.3 自定义算子扩展

对于 PyTorch 标准算子之外的层（如自定义激活函数、循环神经网络），auto_LiRPA 提供了 Bound 基类供用户继承实现：

from auto_LiRPA.bound_ops import Bound

class BoundMyCustomOp(Bound):
    def forward(self, x):
        return my_custom_function(x)
    
    def bound_backward(self, last_layer, *inputs):
        # 定义该算子的线性松弛上/下界
        return lower, upper

# 注册自定义算子
register_custom_op('my_custom_op', BoundMyCustomOp, 'aten')

3.4 可微分验证与对抗训练

auto_LiRPA 的另一个独门绝技是可微分验证（Differentiable Verification）。传统的验证边界计算是不可微的，但 INVPROP 算法将其转化为可微分操作，使得边界可以作为损失函数进行反向传播。这开启了全新的研究方向：直接优化验证边界本身，而非仅仅通过对抗训练间接改善鲁棒性。这在形式化对抗防御（Certified Defense）领域具有里程碑意义。

四、技术架构：核心模块解析

auto_LiRPA 的代码组织围绕以下几个核心模块展开：

模块	文件	功能
`bound_general.py`	71887 bytes	核心引擎：`BoundedModule` 类，计算图解析与边界自动推导
`optimized_bounds.py`	49523 bytes	各种优化边界计算算法（CROWN、IBP 等）的实现
`backward_bound.py`	48873 bytes	后向传播式边界推导，核心算法逻辑
`forward_bound.py`	13950 bytes	前向传播式边界推导
`concretize_func.py`	37374 bytes	具体化函数（Max、Min 等）的边界处理
`perturbations.py`	36485 bytes	扰动定义：支持 L_p 范数、同义词替换等扰动类型
`patches.py`	36434 bytes	图像稀疏化补丁：用于降低验证复杂度
`bound_ops.py`	~30000 bytes	各种 PyTorch 算子的 `Bound` 子类实现（ReLU、Conv2d、Linear 等）

值得注意的是，BoundedModule 在初始化时会调用 parse_graph 遍历原始 nn.Module 的子模块树，将每一个子模块替换为对应的 Bound 算子类，形成一棵等价但支持边界推导的计算图。这一设计使得 auto_LiRPA 对用户完全透明——用户无需修改任何模型代码，只需做一层包装。

五、上手体验：安装与运行

环境要求

Python 3.11+
PyTorch 2.0.0 ~ 2.11.x
NVIDIA GPU（推荐 8GB+ 显存，RTX 3090/4090 及以上）
CUDA 11.8+（如需 GPU 加速）

安装方式

# 方式1：PyPI 直接安装（推荐）
pip install auto-lirpa

# 方式2：从源码安装
pip install git+https://github.com/Verified-Intelligence/auto_LiRPA.git

快速体验

项目提供了 Google Colab 在线体验版本，无需本地安装 GPU，打开浏览器即可运行基础验证示例。这对于快速评估该库是否适合自己的研究场景非常友好。

对于需要 GPU 运行的正式验证任务，建议在 Linux 服务器上使用 conda 创建独立环境，避免依赖冲突：

conda create -n auto-lirpa python=3.11
conda activate auto-lirpa
pip install auto-lirpa
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

六、局限与争议

auto_LiRPA 并非银弹，其存在以下局限性：

1. 扩展性问题（Scalability）：神经网络验证的本质是 NP 完全问题。当前最好的验证算法在 ImageNet 规模的模型上仍难以在合理时间内完成完全验证。auto_LiRPA 对大规模网络通常只能给出较松的近似界。

2. GPU 内存占用：精确验证方法（如分支定界）需要枚举大量子问题，在 GPU 上内存占用随网络规模指数级增长，限制了可验证的网络大小。

3. 算子覆盖不完整：虽然支持主流 PyTorch 算子，但某些自定义或新型算子（如 FlashAttention 的某些变体）仍需要用户手动实现边界类，有一定学习曲线。

4. 与生产级工具的差距：作为研究导向的库，auto_LiRPA 在错误处理、API 稳定性、可观测性等工程实践方面不如商业级工具完善。对于真正需要部署到生产环境的鲁棒性验证系统，建议同时参考 α,β-CROWN 的完整集成方案。

七、行业意义与增长趋势

auto_LiRPA 不仅是学术研究的工具，更是工业界应对 AI 安全合规要求的重要基础设施。随着欧盟 AI Act 和各国 AI 监管法规的推进，对高风险 AI 系统（自动驾驶、医疗设备、金融风控）进行形式化安全性证明将成为合规要求。auto_LiRPA 及其上层应用 α,β-CROWN 为这一趋势提供了可行的技术路径。

项目自 2020 年发布以来持续活跃维护，最新版本 0.7.2（2026 年 6 月），截至 2026 年中已有超过 346 个 GitHub stars 和 105 个 forks，是神经网络验证领域最具影响力的开源项目之一。α,β-CROWN 团队连续多年在国际竞赛中夺冠，也持续为 auto_LiRPA 带来技术迭代的动力和行业影响力。

对于 AI 研究者和工程师而言，掌握 auto_LiRPA 意味着拥有了评估模型鲁棒性的「金标准」工具；对于安全工程师来说，它是满足 AI 法规合规要求的必备技术栈；对于 AI 爱好者，它是理解神经网络形式化验证这一前沿领域的最佳实践入口。

auto_LiRPA：神经网络形式化验证的工业化利器

auto_LiRPA 架构图 图1：auto_LiRPA 与 α,β-CROWN 在 VNN-COMP 竞赛中的架构概览

一、痛点切入：当 AI 模型遇到「对抗样本攻击」

二、项目起源：从学术论文到工业基准

三、核心功能：从理论到实践

3.1 支持的验证算法

auto_LiRPA 实现了当前业界最全面的神经网络验证算法族，包括：

CROWN / DeepPoly：最早一代的线性松弛验证器，通过线性上界逼近 ReLU 等非线性激活函数
IBP（Interval Bound Propagation）：区间传播，简单高效但精度有限
CROWN-IBP / α-CROWN：将 CROWN 和 IBP 结合，通过参数化系数实现效率和精度的平衡
β-CROWN / α,β-CROWN：引入分支定界（Branch and Bound）机制，精度接近完全验证，同时保持高效
GCP-CROWN：引入梯度一致性惩罚，进一步提升精度
INVPROP：可微分验证框架，支持端到端训练

这些算法覆盖了从快速近似估计到精确完全验证的完整光谱，用户可以根据精度需求和计算资源灵活选择。

3.2 核心使用模式

auto_LiRPA 的使用分为两步：（1）定义计算图；（2）自动计算验证边界。 典型用法如下：

import torch
from auto_LiRPA import BoundedModule, BoundedTensor

# 第一步：用 BoundedModule 包装原始 PyTorch 模型
model = ...  # 任意 PyTorch nn.Module
wrapped_model = BoundedModule(model, global_input=(torch.randn(1, 3, 32, 32),))

# 第二步：定义扰动（如 L_infinity 扰动，epsilon=0.031）
ptb = PerturbationLpNorm(norm=float('inf'), eps=0.031)
x = BoundedTensor(torch.randn(1, 3, 32, 32), ptb)

# 第三步：自动推导上界（自动遍历整个计算图）
lb, ub = wrapped_model.compute_bounds(x, method='CROWN-IBP')

这种「自动微分式」的验证边界推导是 auto_LiRPA 最核心的技术突破——它使得非形式化验证领域的专家也能轻松使用复杂验证算法。

3.3 自定义算子扩展

对于 PyTorch 标准算子之外的层（如自定义激活函数、循环神经网络），auto_LiRPA 提供了 Bound 基类供用户继承实现：

from auto_LiRPA.bound_ops import Bound

class BoundMyCustomOp(Bound):
    def forward(self, x):
        return my_custom_function(x)
    
    def bound_backward(self, last_layer, *inputs):
        # 定义该算子的线性松弛上/下界
        return lower, upper

# 注册自定义算子
register_custom_op('my_custom_op', BoundMyCustomOp, 'aten')

3.4 可微分验证与对抗训练

四、技术架构：核心模块解析

auto_LiRPA 的代码组织围绕以下几个核心模块展开：

模块	文件	功能
`bound_general.py`	71887 bytes	核心引擎：`BoundedModule` 类，计算图解析与边界自动推导
`optimized_bounds.py`	49523 bytes	各种优化边界计算算法（CROWN、IBP 等）的实现
`backward_bound.py`	48873 bytes	后向传播式边界推导，核心算法逻辑
`forward_bound.py`	13950 bytes	前向传播式边界推导
`concretize_func.py`	37374 bytes	具体化函数（Max、Min 等）的边界处理
`perturbations.py`	36485 bytes	扰动定义：支持 L_p 范数、同义词替换等扰动类型
`patches.py`	36434 bytes	图像稀疏化补丁：用于降低验证复杂度
`bound_ops.py`	~30000 bytes	各种 PyTorch 算子的 `Bound` 子类实现（ReLU、Conv2d、Linear 等）

五、上手体验：安装与运行

环境要求

Python 3.11+
PyTorch 2.0.0 ~ 2.11.x
NVIDIA GPU（推荐 8GB+ 显存，RTX 3090/4090 及以上）
CUDA 11.8+（如需 GPU 加速）

安装方式

# 方式1：PyPI 直接安装（推荐）
pip install auto-lirpa

# 方式2：从源码安装
pip install git+https://github.com/Verified-Intelligence/auto_LiRPA.git

快速体验

项目提供了 Google Colab 在线体验版本，无需本地安装 GPU，打开浏览器即可运行基础验证示例。这对于快速评估该库是否适合自己的研究场景非常友好。

对于需要 GPU 运行的正式验证任务，建议在 Linux 服务器上使用 conda 创建独立环境，避免依赖冲突：

conda create -n auto-lirpa python=3.11
conda activate auto-lirpa
pip install auto-lirpa
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

六、局限与争议

auto_LiRPA 并非银弹，其存在以下局限性：

2. GPU 内存占用：精确验证方法（如分支定界）需要枚举大量子问题，在 GPU 上内存占用随网络规模指数级增长，限制了可验证的网络大小。

auto_LiRPA

社区活跃度

auto_LiRPA：神经网络形式化验证的工业化利器

一、痛点切入：当 AI 模型遇到「对抗样本攻击」

二、项目起源：从学术论文到工业基准

三、核心功能：从理论到实践

3.1 支持的验证算法

3.2 核心使用模式

3.3 自定义算子扩展

3.4 可微分验证与对抗训练

四、技术架构：核心模块解析

五、上手体验：安装与运行

环境要求

安装方式

快速体验

六、局限与争议

七、行业意义与增长趋势

社区活跃度

auto_LiRPA：神经网络形式化验证的工业化利器

一、痛点切入：当 AI 模型遇到「对抗样本攻击」

二、项目起源：从学术论文到工业基准

三、核心功能：从理论到实践

3.1 支持的验证算法

3.2 核心使用模式

3.3 自定义算子扩展

3.4 可微分验证与对抗训练

四、技术架构：核心模块解析

五、上手体验：安装与运行

环境要求

安装方式

快速体验

六、局限与争议

七、行业意义与增长趋势