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

A not-so-efficient library for easy implementation of multi-gpu differential privacy

ویژگی	مقدار
سیستم عامل	-
نام فایل	easy-dp-0.1.0
نام	easy-dp
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	Tarasco Pier Paolo <pier.tarasco@gmail.com>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/easy-dp/
مجوز	-

# easy-dp This library provides a simple way to implement differential privacy in PyTorch. The focus is only on supporting multi-gpu training with FSDP to allow for large models. Note: the code is heavily based on [private-transformers](https://github.com/lxuechen/private-transformers) ## Installation pip install easy-dp ## Usage from easy_dp import PrivacyEngine privacy_engine = PrivacyEngine( len_dataset=len(train_dataset), batch_size=batch_size, max_grad_norm=max_grad_norm, num_epochs=num_epochs, target_epsilon=target_epsilon, target_delta=target_delta, ) Compute the gradient of a single sample, then clip it: privacy_engine.clip_gradient(model.parameters()) You can accumulate the gradients into a variable, for example here we use the `summed_clipped_gradients` attribute. Then add noise to the accumulated gradients and divide by the batch size before saving the gradients to the model parameters: for param in model.parameters(): param.grad = privacy_engine.add_noise(param.summed_clipped_gradients) param.grad = param.grad / batch_size Now you can call `optimizer.step()` to update the model parameters. ## Upload to PyPI python -m build twine upload dist/*

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl easy-dp-0.1.0:

pip install easy-dp-0.1.0.whl

نصب پکیج tar.gz easy-dp-0.1.0:

pip install easy-dp-0.1.0.tar.gz