the generated adv example as the same original images

[xubo00]

I have tried the attack, but it seems that there is no difference between the adv example and the original image. Maybe the attack failed. the file of run_attack_cwl2.py can not achieve the attack function.

[ParagonLight]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function.

[xubo0321]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。

[ParagonLight]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。

其实很明显，你只要在optimizer里不停打印input_adv和input_var就能看出每次更新，input_var也会被更新。我还没细究原因，目前看，可能是直接用input_var的话， pytorch内部机制导致一些关于grad的地方没有真正被关掉。我尝试在使用input_var的地方先clone一份出来，然后发现，input就不变了。

[xubo0321]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。

其实很明显，你只要在optimizer里不停打印input_adv和input_var就能看出每次更新，input_var也会被更新。我还没细究原因，目前看，可能是直接用input_var的话， pytorch内部机制导致一些关于grad的地方没有真正被关掉。我尝试在使用input_var的地方先clone一份出来，然后发现，input就不变了。

input中的原始图片也会更新？？

[ParagonLight]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。

其实很明显，你只要在optimizer里不停打印input_adv和input_var就能看出每次更新，input_var也会被更新。我还没细究原因，目前看，可能是直接用input_var的话， pytorch内部机制导致一些关于grad的地方没有真正被关掉。我尝试在使用input_var的地方先clone一份出来，然后发现，input就不变了。

input中的原始图片也会更新？？

对，最终input_var和input_adv变成数值上一样的tensor，那dist自然是0，loss2就是0。然后input_adv肯定能让model分类错误，那loss1也是0。这样下来，最终就全是0了。

你想想，什么情况会导致loss是0，一步步推，打印输出，就能发现问题。

[xubo0321]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。 其实很明显，你只要在optimizer里不停打印input_adv和input_var就能看出每次更新，input_var也会被更新。我还没细究原因，目前看，可能是直接用input_var的话， pytorch内部机制导致一些关于grad的地方没有真正被关掉。我尝试在使用input_var的地方先clone一份出来，然后发现，input就不变了。 input中的原始图片也会更新？？

对，最终input_var和input_adv变成数值上一样的tensor，那dist自然是0，loss2就是0。然后input_adv肯定能让model分类错误，那loss1也是0。这样下来，最终就全是0了。

你想想，什么情况会导致loss是0，一步步推，打印输出，就能发现问题。

提供的这个方法是不是就没有成功的进行攻击。

[ParagonLight]

I found the same problem. My solution is to send the copy of the input (input.clone()) when calling the run function. 也许只是眼睛看起来不太明显，但是利用函数求原始图片以及对抗样本的distortion，还是能够看出区别，很明显针对两幅原图比较，结果为0，原始图片与对抗图片肯定不能为0。 其实很明显，你只要在optimizer里不停打印input_adv和input_var就能看出每次更新，input_var也会被更新。我还没细究原因，目前看，可能是直接用input_var的话， pytorch内部机制导致一些关于grad的地方没有真正被关掉。我尝试在使用input_var的地方先clone一份出来，然后发现，input就不变了。 input中的原始图片也会更新？？

对，最终input_var和input_adv变成数值上一样的tensor，那dist自然是0，loss2就是0。然后input_adv肯定能让model分类错误，那loss1也是0。这样下来，最终就全是0了。 你想想，什么情况会导致loss是0，一步步推，打印输出，就能发现问题。

提供的这个方法是不是就没有成功的进行攻击。

Although the issue exists, CW attack in this repo still works.

[JonathanCMitchell]

It might be because in https://github.com/rwightman/pytorch-nips2017-attack-example/blob/master/attacks/attack_iterative.py#L78 total_adv = torch.clamp(total_adv, -eps, eps) This means that it is clipping total_adv to only contain values between -eps and eps, where eps~0.031 or something like that. Therefore you can only contain pixels within values [-0.031, 0.031].