基于keras的快速梯度符号法

我现在正在研究 this paper . 实施 快速梯度符号法

如果我们把损失函数定义为 l(\theta,x,y) 哪里 x y \theta 参数。 而不是最小化 ,目标是最小化 l(\theta,x,y)+l(\theta,x',y) 哪里

x'=x+\eps*\sign(\nabla_x l(\theta,x,y))

我的尝试(没有成功):

def customLoss(x):
    def neg_log_likelihood(y_true, y_pred):

        def neg_log(y_t,y_p):
            inter=(y_p[...,0,None]-y_t)/K.clip(y_p[...,1,None],K.epsilon(),None)
            val=K.log(K.clip(K.square(y_p[...,1,None]),K.epsilon(),None))+K.square(inter)
            return val

        val=neg_log(y_true,y_pred)

        deriv=K.gradients(val,x)
        xb=x+0.01*K.sign(deriv)
        out=model.predict(xb)
        valb=neg_log(y_true,out)

        return K.mean(val+valb,axis=-1)
    return neg_log_likelihood

model.compile(loss=customLoss(model.inputs),...)

你有什么办法让我实现这个目标吗?