我在研究如何破解线性分类器，但在理解tf.gradients时遇到了困难。

项目的目的是使用mnist数据集训练一个模型。一旦模型训练完成，我会拿一张图像，稍作修改，然后重新输入模型。然而，当我重新输入时，预测结果应该有所不同。例如，如果我有一张2的图像，我想让模型预测为6，我会稍作修改，使图像看起来仍然是2，但模型会认为它是6。

这是如何实现的呢？这是一个简单的方程。我们计算损失函数的导数，取其符号，并将其乘以某个epsilon值应用到图像上。例如，方程类似于这样…

新图像 = 图像 + (epsilon * 损失函数导数的符号)

让我困惑的是tf.gradients。我正在看一个例子，但很难理解它。

首先，提取了10张数字2的图像。接下来，创建了10个标签，代表标签6。因此，标签看起来如下…

[[0, 0, 0, 0, 0, 1, 0, 0, 0 ,0], [0, 0, 0, 0, 0, 1, 0, 0, 0, 0], ...等等...

然后，成本函数的导数看起来像这样（cross_entropy是成本函数）…

im_derivative = tf.gradients(cross_entropy, x)[0]im_derivative = im_derivative.eval({x: x0,                                 y_: y_six,                                 keep_prob: 1.0})

x0是10张数字2的图像，而y_six是代表数字6的标签。然后，这个导数的符号被用在我上面展示的方程中。

我的问题是，tf.gradients到底返回了什么，为什么导数要用标签6而不是标签2来评估？我很难理解返回的是什么，以及为什么使用一个假标签。我明白使用假标签可能是为了欺骗分类器，但因为我不理解tf.gradients返回的内容，所以很难看到这一点。

回答：

tf.gradient(ys, xs)返回的是ys总和相对于xs中x的符号偏导数。在你的例子中，你定义了cross_entropy相对于x的偏导数（并提取了第一个（也是唯一的一个）元素，因为tf.gradient返回的是一个列表）。

输入相对于成本的梯度可以指示你需要如何以及在哪个方向更新网络参数，以最小化成本。

因此，因为你想欺骗分类器，你计算了一个特定输入与不同标签的梯度，以便找到你需要遵循的“指示”（或信号），以使网络认为该输入是6。