Dies ist die Linux-App namens Opacus, deren neueste Version als Opacusv1.4.0.zip heruntergeladen werden kann. Es kann online im kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens Opacus mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
Opakus
BESCHREIBUNG
Opacus ist eine Bibliothek, die das Training von PyTorch-Modellen mit differentiellem Datenschutz ermöglicht. Es unterstützt das Training mit minimalen Codeänderungen, die auf dem Client erforderlich sind, hat nur geringe Auswirkungen auf die Trainingsleistung und ermöglicht es dem Client, das zu einem bestimmten Zeitpunkt verbrauchte Datenschutzbudget online zu verfolgen. Vektorisierte Gradientenberechnung pro Sample, die 10-mal schneller ist als Micro-Batching. Unterstützt die meisten Arten von PyTorch-Modellen und kann mit minimalen Änderungen am ursprünglichen neuronalen Netzwerk verwendet werden. Modulare Open-Source-API für differenzielle Datenschutzforschung. Jeder ist willkommen, seinen Beitrag zu leisten. ML-Praktiker werden feststellen, dass dies eine sanfte Einführung in das Training eines Modells mit differentiellem Datenschutz ist, da es nur minimale Codeänderungen erfordert. Differential Privacy-Forscher können damit leicht experimentieren und basteln, sodass sie sich auf das Wesentliche konzentrieren können.
Eigenschaften
- Differential Privacy-Forscher werden feststellen, dass dies leicht zu experimentieren und zu basteln ist
- Trainieren Sie Ihr Modell mit differenzierter Privatsphäre
- Das MNIST-Beispiel zeigt einen End-to-End-Lauf mit Opacus
- Opacus 1.0 führte viele Verbesserungen in die Bibliothek ein
- Dieser Code wird unter Apache 2.0 veröffentlicht
- ML-Praktiker werden feststellen, dass dies eine sanfte Einführung in das Training eines Modells mit differenzierter Privatsphäre ist
Programmiersprache
Python
Kategorien
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/opacus.mirror/ abgerufen werden kann. Es wurde in OnWorks gehostet, damit es auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme ausgeführt werden kann.
