تنزيل opacus - تنزيل رمز المصدر opacus

opacus

بايثون

v1.5.2

تنزيل

Opacus هي مكتبة تتيح تدريب نماذج Pytorch بخصوصية تفاضلية. وهو يدعم التدريب مع الحد الأدنى من التغييرات في الكود المطلوبة على العميل ، ولديه تأثير يذكر على أداء التدريب ، ويسمح للعميل بتتبع ميزانية الخصوصية عبر الإنترنت في أي لحظة معينة.

الجمهور المستهدف

يهدف إصدار الرمز هذا إلى جماهير مستهدفة:

سيجد ممارسو ML أن يكون هذا بمثابة مقدمة لطيفة لتدريب نموذج ذي خصوصية تفاضلية لأنه يتطلب الحد الأدنى من التغييرات في الكود.
سيجد باحثو الخصوصية التفاضلية أن هذا سهل التجربة والعبث به ، مما يسمح لهم بالتركيز على ما يهم.

تثبيت

يمكن تثبيت أحدث إصدار من Opacus عبر pip :

pip install opacus

أو ، بدلاً من ذلك ، عبر conda :

conda install -c conda-forge opacus

يمكنك أيضًا التثبيت مباشرة من المصدر للحصول على أحدث الميزات (إلى جانب المراوغات والأخطاء المحتملة في بعض الأحيان):

git clone https://github.com/pytorch/opacus.git
cd opacus
pip install -e .

ابدء

لتدريب النموذج الخاص بك بخصوصية التفاضلية ، كل ما عليك فعله هو إنشاء PrivacyEngine وتمرير النموذج الخاص بك ، Data_loader ، ومُحسّن على طريقة make_private() للمحرك للحصول على نظرائهم الخاصة.

 # define your components as usual
model = Net ()
optimizer = SGD ( model . parameters (), lr = 0.05 )
data_loader = torch . utils . data . DataLoader ( dataset , batch_size = 1024 )

# enter PrivacyEngine
privacy_engine = PrivacyEngine ()
model , optimizer , data_loader = privacy_engine . make_private (
    module = model ,
    optimizer = optimizer ,
    data_loader = data_loader ,
    noise_multiplier = 1.1 ,
    max_grad_norm = 1.0 ,
)
# Now it's business as usual

يوضح مثال MNIST تشغيلًا من طرف إلى طرف باستخدام Opacus. يحتوي مجلد الأمثلة على المزيد من هذه الأمثلة.

الهجرة إلى 1.0

قدمت Opacus 1.0 العديد من التحسينات على المكتبة ، ولكن أيضًا بعض التغييرات في كسر. إذا كنت تستخدم Opacus 0.x وترغب في التحديث إلى أحدث إصدار ، فيرجى استخدام دليل الترحيل هذا

يتعلم أكثر

دروس تفاعلية

لقد قمنا ببناء سلسلة من البرامج التعليمية المستندة إلى Ipython كمقدمة لطيفة لنماذج التدريب مع الخصوصية واستخدام ميزات Opacus المختلفة.

بناء مصنف صور بخصوصية تفاضلية
تدريب نموذج LSTM خاص تفاضلي لتصنيف الاسم
بناء مصنف النص مع الخصوصية التفاضلية على بيرت
دليل أوباكوس: مقدمة في الميزات المتقدمة
دليل أوباكوس: عينات جراد
دليل أوباكوس: مصلحة الوحدة النمطية والمثبت

التقرير الفني والاستشهاد

يمكن العثور على التقرير الفني الذي يقدم Opacus ، وتقديم مبادئ التصميم ، والمؤسسات الرياضية ، والمعايير هنا.

فكر في التقرير إذا كنت تستخدم Opacus في أوراقك ، على النحو التالي:

 @article{opacus,
  title={Opacus: {U}ser-Friendly Differential Privacy Library in {PyTorch}},
  author={Ashkan Yousefpour and Igor Shilov and Alexandre Sablayrolles and Davide Testuggine and Karthik Prasad and Mani Malek and John Nguyen and Sayan Ghosh and Akash Bharadwaj and Jessica Zhao and Graham Cormode and Ilya Mironov},
  journal={arXiv preprint arXiv:2109.12298},
  year={2021}
}