第 10 章 · 综合实践：从“读懂”到“做出来”（第 11–12 周）

第 10 章 · 综合实践：从“读懂”到“做出来”（第 11–12 周）#

动手做｜ 本章目标：用两周时间完成一个可演示的改进实验。下面给出三个由易到难的方向与验收清单，你也可以把它们组合起来。但在动手之前，先记住“怎么做实验才算数”的骨架（图 10-1）。

10.0 实验方法论：先学会“怎么算才算数”#

一个实验结论靠不靠谱，不取决于你“多努力”，而取决于你有没有守住评估的诚实性。这正是第 7、8 章反复讲的骨架，综合实践时它决定你的一切结论：

图 10-1 诚实评估流水线

图 10-1（train_model.py 的真实步骤——也是你做综合实验的骨架：数据 → 按 photo_id 预留测试集 → 训练池 5 折 GroupKFold 取 OOF → 只此一次选模型 → 校准集挑阈值 → 全量重训 → held-out 测试集只评一次 → 保存）

读图要点｜

  • 测试集只许碰一次：反复拿它调阈值，测试集就“脏”了，分数不再可信；

  • 校准集：只在训练池内再切出，专门用来挑阈值（Youden / 低误报点）;

  • OOF（out-of-fold）：每个样本只在“没见过它的那一折”上被打分，用于选模型——这防止“用训练自己证明自己”。

无论你选下面哪个方向，都要回到这张图：先跑通基线（图 10-1 全流程），再做小改动，用 GroupKFold 给出诚实对照。记住那句话：“改了 A、结果变好”不足以服人，要用训练/校准/测试三层结构 + 分组切分证明它真的变好。

10.1 方向 A：复现并批判性验证（最稳）#

选 README / docs/RESULTS.md 中的 1～2 个结论，自己重新跑并尝试“推翻”它：

  • 复现码族图：理论 α(p) 是否与实测吻合？p 取大后偏差从哪来？

  • 复现检测实验：换你自己的照片训练，比较 v1 11 维基线（约 0.75–0.79）与 README 的 v1.4 双版本结果，观察照片风格对 AUC 的影响；

  • 复现篡改实验：改 1 像素、改 1 行、改 1 块，解码失败率各是多少？

避坑提醒｜ 复现 ≠ 照抄。复现的意义是理解每个数字从哪来：AUC 是 OOF 还是 held-out？用没用 photo_id 分组？阈值怎么定的？这些问题（见第 7 章）决定了你能否“批判性验证”而不是“盲信论文”。

验收项

通过标准

实验日志

记录环境、命令、参数、原始输出

图表

至少 2 张自绘曲线/对比图，坐标与图例完整

结论

能区分“验证了论文”与“与论文不一致”并给原因

可复现

提供一键脚本或逐条命令，别人能重跑

10.2 方向 B：功能扩展（最有成就感）#

  • 支持中文/UTF-8 消息：v1.8 起已在 encode_string() 内实现（长度头单位是字节数），可对照源码校对你的实现；

  • 彩色通道扩展：目前仅用 R 通道，可研究 R/G/B 三通道如何分配容量与安全性；

  • 新增特征：在 v1 11 维或 v2 143 维基础上加一个你认为能区分 clean/stego 的统计量，用 GroupKFold 评估 AUC 是否真的上升；

  • 对比新算法：实现朴素 LSB 替换，与 nsF5 在相同载荷下比较 Gn 塌缩与检出率。

避坑提醒｜ 每次扩展都要跑 test_core.py 与 test_steg.py，保证“嵌入→解码”往返仍然成立。修改编码方案时，解码端必须同步修改——这是初学者最常忘的。

提示｜ “新增特征”这类扩展最容易“自我感觉良好”：加了一个特征、AUC 微涨就以为赢了。请务必回到图 10-1——用同一组测试照片、5 折 GroupKFold OOF 做 A/B，否则你的 “+0.01” 可能只是随机波动（这正是 7.8 讲的数据泄漏/泛化的实操）。

10.3 方向 C：教学演示再包装#

把 GUI 里的矩阵编码演示扩展成一套可讲解的教材页/动画脚本，例如：

  • 逐步动画：随机块 → 显示 H → 算 s → 给 m → 求 d → 高亮 → 校验；

  • 题库模式：随机出题让你手算“该翻转哪一位”，自动判分；

  • 对比模式：同一消息分别用 LSB、matrix p3、nsF5 p3 嵌入，并排显示改动数与 Gn。

10.4 文档与代码对照阅读表#

文档章节

对应代码

读它之前先掌握

第 2 章 技术基础

ns5_core.py / steganalysis.py

LSB、汉明码、湿纸、卡方/RS

第 3 章 需求分析

README 功能总览

隐写与隐写分析博弈观

第 4 章 总体设计

arch 图 + ns5_core.py

分层架构、哈希键控流程

第 4.5 节 加速

cppembed.py / fsfeatures.py

ctypes 与一致性自校验

第 4.6 节 GPU

gpu/*.py

张量化、批量、吞吐边界

第 5 章 实验

run_e2e / make_dataset / train_model

GroupKFold、AUC、Youden

提示：本项目不再随仓库分发论文稿；对外数字一律以 docs/RESULTS.md（权威结果表）为准，它逐行标注了语料、协议与是否可溯源。上表按早期论文章节举例，阅读时请对照该表。

10.5 汇报/答辩常见问题与应答要点#

高频问题

应答要点

LSB 隐写为什么能被发现？

相邻灰度对被拉平（卡方）+ LSB 结构塌缩（RS），先讲直觉再讲统计量

矩阵编码为什么“改得少”？

n=2ᵖ−1 个位置承载 p 位，H 列互异 → 任一伴随式差对应唯一位置

nsF5 相比 F5 好在哪里？

湿纸预标记湿点、只在干点解方程，无收缩无重嵌

湿纸编码怎么解方程？

GF(2) 线性方程 H_dry·y=d，先试单列/双列，再高斯消元兜底

为什么不用裸 CNN？

小样本弱信号下学不到泛化特征；特征+简单模型更稳（AUC 实证）

AUC 0.756 说明什么？

排序能力尚可但弱密度难检；AUC 与“具体阈值下检出率”是两回事

哈希键控能防什么？

防位置可预测/复制；能感知普通篡改，但不是密钥化 MAC

C++/GPU 加速有没有风险？

有：必须做跨语言一致性校验，否则嵌入解码会不可逆

“你的模型更好”怎么证明？

回到图 10-1：同测试照片、5 折 GroupKFold OOF、训练/校准/测试分离；报告单图概率 ≠ 数据集 AUC

10.6 交付清单（最后一周）#

  • 改进代码 diff（自己能讲清每处改动）；

  • 实验脚本 + 原始输出（不加工、不挑数）；

  • 2～3 张图表（效率/ROC/密度检出/篡改任选）；

  • 3～5 页报告：问题→方法→结果→局限→下一步；

  • 5 分钟演示：从嵌入到分析的一条龙运行；

  • 能脱稿回答 10.5 表中的任意三个问题。

想一想｜ 你的改进实验，打算采用图 10-1 的哪一条“诚实保证”来讲清“结果可信”？如果别人质疑“你是不是反复调测试集才得到这个结果”，你该怎么回应？（提示：把“测试集只用一次”这条红线讲清楚，并展示 OOF/校准集的结果。）