修改了一些bug，但结果还是没有规律

main.py

@@ -49,11 +49,13 @@ model.compile(optimizer='adam',
               loss='sparse_categorical_crossentropy', metrics=['accuracy'])
 
 # 训练模型
-model.fit(X_train, Y_train, epochs=3000, validation_split=0.2)
+model.fit(X_train, Y_train, epochs=10, validation_split=0.2)
 
 # 评估模型
 loss, accuracy = model.evaluate(X_test, Y_test)
 
+print(X_train.shape)
+
 
 # 制作扰动数据
 
@@ -85,48 +87,49 @@ gradient_magnitudes = tf.norm(gradients, axis=1)
 # 创建每个gamma对应的准确率的字典
 accuracy_per_gamma = {}
 
+
+# 平坦化梯度
+flattened_gradients = tf.reshape(gradients, [-1])
+
 # 选择最大的γ * |X|个梯度
-for gamma in [0.05, 0.1, 0.2, 0.4]:  # 你需要选择一个合适的γ值
-    num_gradients_to_select = int(
-        gamma * tf.size(gradient_magnitudes, out_type=tf.dtypes.float32))
-
-    # 获取最大梯度的索引
-    # tf.argsort返回的是升序排列的，所以用[::-1]来获得降序的索引
-    top_gradients_indices = tf.argsort(gradient_magnitudes, direction='DESCENDING')[
-        :num_gradients_to_select]
-
-    # 创建集合A，这里是所有选定的最大梯度的索引
-    A = top_gradients_indices.numpy()
+for gamma in [0.05, 0.1, 0.2, 0.4]:
+    num_gradients_to_select = int(gamma * tf.size(flattened_gradients, out_type=tf.dtypes.float32))
+    top_gradients_indices = tf.argsort(flattened_gradients, direction='DESCENDING')[:num_gradients_to_select]
 
     # 创建一个新的梯度张量，初始化为原始梯度的副本
-    updated_gradients = tf.identity(gradients)
+    updated_gradients = tf.identity(flattened_gradients)
 
-    # 获取所有索引
-    all_indices = tf.range(start=0, limit=tf.size(
-        gradient_magnitudes, out_type=tf.dtypes.int32), dtype=tf.int32)
+    # 创建一个布尔掩码，其中选定的最大梯度为False，其他为True
+    mask = tf.ones_like(updated_gradients, dtype=bool)
+    mask = tf.tensor_scatter_nd_update(mask, tf.expand_dims(top_gradients_indices, 1), tf.zeros_like(top_gradients_indices, dtype=bool))
 
-    # 创建一个布尔掩码，其中集合A中的索引为False，其他为True
-    mask = ~tf.reduce_any(tf.equal(tf.expand_dims(
-        all_indices, 1), tf.reshape(A, (1, -1))), axis=1)
+    # 使用这个掩码更新梯度
+    updated_gradients = tf.where(mask, tf.zeros_like(updated_gradients), updated_gradients)
+
+    # 将梯度重构为原始形状
+    updated_gradients = tf.reshape(updated_gradients, tf.shape(gradients))
     
-    # 使用这个掩码更新不在集合A中的梯度为0
-    updated_gradients = tf.where(
-        mask, updated_gradients, tf.zeros_like(updated_gradients))
     
     # 创建准确率列表
     accuracy_list = []
 
     for learning_rate in [0.1, 0.2, 0.3, 0.4, 0.5]:
         
-        # 更新X_train_tensor
-        X_train_updated = X_train_tensor - updated_gradients
+        # 应用学习率到梯度
+        scaled_gradients = learning_rate * updated_gradients
+        
+        
+        # 使用缩放后的梯度更新X_train_tensor
+        X_train_updated = X_train_tensor - scaled_gradients
+        tf.reshape(X_train_updated, (3332,34,1))
+        X_train_updated = X_train_updated.numpy()
 
         # 编译模型
         model.compile(
             optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
 
         # 训练模型
-        model.fit(X_train, Y_train, epochs=3000, validation_split=0.2)
+        model.fit(X_train_updated, Y_train, epochs=1500, validation_split=0.2)
 
         # 评估模型
         loss, accuracy = model.evaluate(X_test, Y_test)