foolbox攻击报notimplementederror主因是模型未返回可微logits，需设model.train()、禁用softmax、用pytorchmodel指定bounds；pgd不收敛多因stepsize过大或steps不足；tf报numpy错误需启用eager模式；图像发灰系归一化与保存格式不匹配。
为什么 foolbox 的攻击在 PyTorch 模型上总报 NotImplementedError: Cannot differentiate through this function
因为默认的 foolbox 攻击器（尤其是 v3.x）要求模型返回原始 logits，且必须支持梯度回传；而很多 PyTorch 模型封装后自动调用了 torch.nn.functional.softmax 或 model.eval() 下禁用了梯度，导致攻击中途断掉。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 确保模型处于训练模式：
model.train()，哪怕只是做推理——foolbox需要中间层梯度 - 模型输出必须是未归一化的 logits，不能是
softmax或log_softmax结果；检查 forward 最后一行是不是直接 returnlogits - 用
foolbox.PyTorchModel包装时，显式传参bounds=(0, 1)或对应图像范围，并设device与模型一致 - 若模型有
Dropout或BatchNorm，攻击时可能行为不稳定，临时替换为nn.Identity更可靠
foolbox 的 PGD 攻击不收敛、扰动看起来像噪声
这不是模型问题，大概率是步长（stepsize）和迭代次数（steps）没调对。PGD 对超参敏感，尤其在 eps 较小时，过大的 stepsize 会让优化跳过局部极值，结果就是扰动发散、分类置信度乱跳。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
stepsize一般取eps / 4到eps / 2，比如eps=0.03时用stepsize=0.007 -
steps至少 10～40；低于 10 很难找到强对抗样本，高于 100 可能过拟合到当前 batch - 务必开启
random_start=True（默认是 False），否则从干净样本起点容易陷入弱扰动陷阱 - 如果攻击目标类别固定（targeted=True），注意目标 label 必须是模型能输出的合法 class index，别越界
用 foolbox 测 TensorFlow/Keras 模型时提示 AttributeError: 'Tensor' object has no attribute 'numpy'
这是 eager execution 关闭或张量未同步导致的。Foolbox v3+ 内部会尝试把中间结果转成 NumPy 做约束投影（比如 clip 到 [0,1]），但 TF 默认图模式下 Tensor 不支持直接 .numpy()。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 启动脚本开头加
import tensorflow as tf; tf.config.run_functions_eagerly(True) - 用
foolbox.TensorFlowModel包装时，forward函数返回值必须是 EagerTensor，不能是 SymbolicTensor（即别用tf.keras.Model的函数式 API 构建后直接传入） - 更稳妥的做法：先把 Keras 模型导出为 SavedModel，再用
tf.keras.models.load_model加载并确保training=False被忽略（因为 Foolbox 需要梯度） - 如果只做评估不攻击，可改用
foolbox.attacks.L2BasicIterativeAttack这类轻量攻击，对 eager 依赖略低
生成的对抗样本保存后图像发灰、对比度崩坏
本质是数据类型溢出或归一化错位。Foolbox 内部按 float32 在 [0,1] 或 [−1,1] 处理图像，但 OpenCV/PIL 保存时默认期待 uint8 的 [0,255]，中间少一次缩放就会全图变暗或死白。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 保存前统一做：将对抗样本 tensor clamp 到
[0,1]，再乘 255，再.byte()（PyTorch）或.astype(np.uint8)（NumPy） - 检查
foolbox.PyTorchModel初始化时的bounds参数是否和你图像预处理一致；例如用 ImageNet 的[-2.5,2.5]归一化，就不能设bounds=(0,1) - 用 PIL 保存时别直接传 float tensor，先转
PIL.Image.fromarray(...)；用 OpenCV 时确保通道顺序是 BGR，且输入是 HWC 格式 - 调试时打印
adv_img.min().item(), adv_img.max().item()，如果远超[0,1]，说明eps太大或 clip 没生效
最常被忽略的是 bounds 和实际输入分布不匹配——它不会报错，但生成的图根本不像对抗样本，只是加了层模糊噪点。
