tensorflow构建对抗样本遇到的坑----梯度问题

tensorflow构建对抗样本遇到的坑----梯度问题

在利用梯度生成对抗样本的方式中，其核心思想为：

$$X_{pert}=X+epsilon\times sign({\nabla }_{x}L(X,Y))$$

其中 epsilon为扰动系数（扰动浓度），一般值比较小；$sign（）$为符号函数，X为输入的样本，Y为对应标签，$L（X,Y）$则为loss函数。

建议在模型设计的时候就考虑到怎样设计loss，才能使得对x求导比较平滑（比如一般用交叉熵等来作为loss函数）。

而在利用tensorflow实现的过程中，tf.gradients(Y,X)函数中，要求Y与X必须相关，否则会出现莫名其妙的错误。

因此不能因为想的简单，而重新再写一个不相关的$los{s}_1$函数，来对x求导，这样的话，一方面自己新定义的$los{s}_1$收敛也成了一个问题，同时还容易引起求导不相关的莫名其妙的报错（这个问题迷惑了快一宿，因为这个报错信息并不在调用tf.gradients(Y,X)处，而在之后喂入数据的时候出现错误，以至于前几个小时一直以为是我的session出现了毛病。吃力不讨好）

此外，注意一下tf.gradients(Y,X)的使用，建议还是用placeholder来传入参数，而在之后再喂入数据进行训练。