opacusのダウンロードopacusソースコードのダウンロード

opacus

パイソン

v1.5.2

ダウンロード

Opacusは、プライバシーが異なるPytorchモデルのトレーニングを可能にするライブラリです。クライアントに必要なコード変更を最小限に抑えたトレーニングをサポートし、トレーニングパフォーマンスにほとんど影響を与え、クライアントがいつでも消費されるプライバシー予算をオンラインで追跡できるようにします。

ターゲットオーディエンス

このコードリリースは、2人のターゲットオーディエンスを対象としています。

MLの開業医は、これが最小限のコード変更が必要なため、プライバシーの差でモデルをトレーニングするための穏やかな紹介であると感じるでしょう。
差別的なプライバシー研究者は、この実験やいじくり回しが簡単で、重要なことに集中できるようになります。

インストール

Opacusの最新リリースは、 pip経由でインストールできます。

pip install opacus

または、あるいは、 condaを介して：

conda install -c conda-forge opacus

また、最新の機能については、ソースから直接インストールすることもできます（その癖と潜在的に時折のバグとともに）：

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

はじめる

プライバシーを差別的にトレーニングするには、 PrivacyEngineをインスタンス化し、モデル、data_loader、およびオプティマイザーをエンジンのmake_private()メソッドに合格させる必要があります。

 # 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

Mnistの例は、Opacusを使用したエンドツーエンドの実行を示しています。例フォルダーには、そのような例がもっと含まれています。

1.0に移動します

Opacus 1.0は、図書館に多くの改善をもたらしましたが、いくつかの壊れた変更も導入しました。 Opacus 0.Xを使用していて、最新リリースに更新したい場合は、この移行ガイドを使用してください

もっと詳しく知る

インタラクティブなチュートリアル

プライバシーとさまざまなOpacus機能を使用したトレーニングモデルの穏やかな紹介として、一連のIPythonベースのチュートリアルを作成しました。

プライバシーの差で画像分類器を構築します
名前分類のための差別的なプライベートLSTMモデルのトレーニング
BERTのプライバシーの差があるテキスト分類器を構築します
Opacus Guide：高度な機能の紹介
Opacus Guide：グレードサンプラー
Opacus Guide：モジュールバリデーターとフィクサー

技術レポートと引用

Opacusを導入し、その設計原則、数学的基盤、ベンチマークを提示する技術レポートは、こちらにあります。

次のように、あなたの論文でOpacusを使用する場合は、レポートを引用することを検討してください。

 @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}
}