img = X_train[12]
img = np.expand_dims(img, axis=0)
predictions = cnn_model.predict(img)
print(predictions[0][0]*100)





min_pixel = img.reshape((img.shape[1]*img.shape[2], 3)).min(axis=0).min()
max_pixel = img.reshape((img.shape[1]*img.shape[2], 3)).max(axis=0).max()




original = X_train[12]
original = (original - min_pixel) * (255/(max_pixel - min_pixel))
im = Image.fromarray(original.astype(np.uint8))
im.save("original-image.png")




import numpy as np
from keras import backend as K
from PIL import Image

# 0 reprezentuje klasę, którą chcemy otrzymać jako wynik końcowy
fake_class = 0

# obrazek do "przekłamania"
img = X_train[12]
img = np.expand_dims(img, axis=0)
hacked_image = np.copy(img)

# maksymalne zmiany dozwolone na obrazku
max_change_above = img + 1
max_change_below = img - 1

# Stopień aktualizacji obrazka w każdej z interacji
if fake_class == 0:
    learning_rate = -1
else:
    learning_rate = 1

# Pierwsza i ostatnia warstwa sieci neuronowej
model_input_layer = cnn_model.layers[0].input
model_output_layer = cnn_model.layers[-1].output

# Funkcja kosztu
cost_function = model_output_layer[0, fake_class]

# Funckcja gradientu
gradient_function = K.gradients(cost_function, model_input_layer)[0]

# Funkcja licząca bieżący koszt i gradient
grab_cost_and_gradients_from_model = K.function([model_input_layer, K.learning_phase()], [cost_function, gradient_function])
cost = 0.0






iterator = 0
while iterator < 10000:
    # Sprawdźmy koszt i gradient
    cost, gradients = grab_cost_and_gradients_from_model([hacked_image, 0])

    # Zmodyfikujmy obraz w celu oszukania modelu
    hacked_image += gradients * learning_rate

    # Sprawdźmy czy obraz nie zmienia się za bardzo
    hacked_image = np.clip(hacked_image, max_change_below, max_change_above)

    # Wypiszmy efekt iteracji
    print(cost * 100)
    iterator += 1




predictions = cnn_model.predict_classes(hacked_image)
print("Przewidziana klasa po dokonaniu modyfikacji obrazka: ", predictions[0][0])





min_pixel = hacked_image.reshape((hacked_image.shape[1]*hacked_image.shape[2], 3)).min(axis=0).min()
max_pixel = hacked_image.reshape((hacked_image.shape[1]*hacked_image.shape[2], 3)).max(axis=0).max()






original2 = hacked_image[0]
original2 = (original2 - min_pixel) * (255/(max_pixel - min_pixel))
im = Image.fromarray(original2.astype(np.uint8))
im.save("hacked-image.png")