在Breaking Linear Classifiers on ImageNet博客文章中，作者提供了一个非常简单的示例，介绍如何修改图像以欺骗分类器。给出的技术非常简单：xad = x + 0.5w其中x是1d向量，w是1d权重。这一切都很好而且清晰。但是，我试图用MNIST数据集实现这个并且卡住了，不知道如何将这个简单的想法变成实际的结果。我想知道如何使用已知的w矩阵来修改给定的x矩阵（或简单地修平的1d图像矢量）。
我的图像矩阵x具有形状（1032,784）（每个图像是具有784个数字的展平向量），并且我的权重矩阵w具有形状（784,10）。那么问题是如何实现上述文章中介绍的想法？特别是，如何为所有图像添加一点重量？像这样：
x + 0.5 * w
我的代码can be found on GitHub。使用numpy的解决方案是首选，但使用TensorFlow也可以。谢谢！
答案 0 :(得分：2)
弄清楚如何：
因此，如果我们尝试将对手图像错误地分类为＆＃34; 6＆＃34;，我们需要获取＆＃34; 6＆＃34;仅来自权重矩阵：
w_six = w[:, 6]
然后我们可以简单地添加矩阵：
images_fool = x + 1.5 * w_six