معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Client SDK for BastionAI Confidential AI Training.

ویژگی	مقدار
سیستم عامل	-
نام فایل	bastionai-0.2.1
نام	bastionai
نسخه کتابخانه	0.2.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Kwabena Amponsem, Lucas Bourtoule
ایمیل نویسنده	kwabena.amponsem@mithrilsecurity.io, luacs.bourtoule@nithrilsecurity.io
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/bastionai/
مجوز	-

# BastionAI Client BastionAI Client is a python library to create client applications for BastionAI Server (Mithril Security's confidential training server). **If you wish to know more about BastionAI, please have a look to the project [Github repository](https://github.com/mithril-security/bastionai/).** ## Installation ### Using pip ```bash $ pip install bastionai ``` ### Local installation **Note**: It is preferrable to install BastionAI package in a virtual environment. Execute the following command to install BastionAI locally. ```shell pip install -e . ``` ## Usage ### Uploading a model and datasets to BastionAI The snippet below sets up a **very simple** linear regression model and dataset to train the model with. ```python import torch from bastionai.utils import TensorDataset from torch.nn import Module from bastionai.psg.nn import Linear from torch.utils.data import DataLoader class LReg(Module): def __init__(self) -> None: super().__init__() self.fc1 = Linear(1, 1, 2) def forward(self, x: Tensor) -> Tensor: return self.fc1(x) lreg_model = LReg() X = torch.tensor([[0.0], [1.0], [0.5], [0.2]]) Y = torch.tensor([[0.0], [2.0], [1.0], [0.4]]) train_dataset = TensorDataset([X], Y) train_dataloader = DataLoader(train_dataset, batch_size=2) X = torch.tensor([[0.1], [-1.0]]) Y = torch.tensor([[0.2], [-2.0]]) test_dataset = TensorDataset([X], Y) test_dataloader = DataLoader(test_dataset, batch_size=2) ``` ### Training a model on BastionAI With this snippet below, BastionAI is used to securely and remotely train the model. The model, along with the training and testing datasets are uploaded to BastionAI through the client API. ```python from bastionai.client import Connection, SGD with Connection("localhost", 50051, default_secret=b"") as client: remote_dataloader = client.RemoteDataLoader( train_dataloader, test_dataloader, "Dummy 1D Linear Regression Dataset (param is 2)", ) remote_learner = client.RemoteLearner( lreg_model, remote_dataloader, metric="l2", optimizer=SGD(lr=0.1), model_description="1D Linear Regression Model", expand=False, ) remote_learner.fit(nb_epochs=100, eps=100.0) lreg_model = remote_learner.get_model() # Gets trained model from BastionAI server. ``` ## Contributing Pull requests are welcome. For major changes, please open an issue first to discuss what you would like to change. ## License This project is licensed under [Apache 2.0 License.](https://github.com/mithril-security/bastionai/blob/master/LICENSE)

نیازمندی

مقدار	نام
==1.47.0	grpcio
==1.47.0	grpcio-tools
==3.20.1	protobuf
==1.16.0	six
==1.12.0	torch
==1.23.1	numpy
==4.3.0	typing-extensions
==4.64.0	tqdm

نحوه نصب

نصب پکیج whl bastionai-0.2.1:

pip install bastionai-0.2.1.whl

نصب پکیج tar.gz bastionai-0.2.1:

pip install bastionai-0.2.1.tar.gz