mindarmour.privacy.sup_privacy

本模块提供抑制隐私功能,以保护用户隐私。

class mindarmour.privacy.sup_privacy.SuppressMasker(model, suppress_ctrl)[源代码]

周期性检查抑制隐私功能状态和切换(启动/关闭)抑制操作。

详情请查看: 应用抑制隐私机制保护用户隐私

参数:
  • model (SuppressModel) - SuppressModel 实例。

  • suppress_ctrl (SuppressCtrl) - SuppressCtrl 实例。

样例:

>>> import mindspore.nn as nn
>>> import mindspore as ms
>>> from mindspore import set_context
>>> from mindspore.nn import Accuracy
>>> from mindarmour.privacy.sup_privacy import SuppressModel
>>> from mindarmour.privacy.sup_privacy import SuppressMasker
>>> from mindarmour.privacy.sup_privacy import SuppressPrivacyFactory
>>> from mindarmour.privacy.sup_privacy import MaskLayerDes
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self._softmax = ops.Softmax()
...         self._Dense = nn.Dense(10,10)
...         self._squeeze = ops.Squeeze(1)
...     def construct(self, inputs):
...         out = self._softmax(inputs)
...         out = self._Dense(out)
...         return self._squeeze(out)
>>> set_context(mode=ms.PYNATIVE_MODE, device_target="GPU")
>>> network = Net()
>>> masklayers = []
>>> masklayers.append(MaskLayerDes("_Dense.weight", 0, False, True, 10))
>>> suppress_ctrl_instance = SuppressPrivacyFactory().create(networks=network,
...                                                          mask_layers=masklayers,
...                                                          policy="local_train",
...                                                          end_epoch=10,
...                                                          batch_num=1,
...                                                          start_epoch=3,
...                                                          mask_times=10,
...                                                          lr=0.05,
...                                                          sparse_end=0.95,
...                                                          sparse_start=0.0)
>>> net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")
>>> net_opt = nn.SGD(network.trainable_params(), 0.05)
>>> model_instance = SuppressModel(network=network,
...                                loss_fn=net_loss,
...                                optimizer=net_opt,
...                                metrics={"Accuracy": Accuracy()})
>>> model_instance.link_suppress_ctrl(suppress_ctrl_instance)
>>> masker_instance = SuppressMasker(model_instance, suppress_ctrl_instance)
step_end(run_context)[源代码]

更新用于抑制模型实例的掩码矩阵张量。

参数:
  • run_context (RunContext) - 包含模型的一些信息。

class mindarmour.privacy.sup_privacy.SuppressModel(network, loss_fn, optimizer, **kwargs)[源代码]

抑制隐私训练器,重载自 mindspore.Model

有关详细信息,请查看: 应用抑制隐私机制保护用户隐私

参数:
  • network (Cell) - 要训练的神经网络模型。

  • loss_fn (Cell) - 优化器的损失函数。

  • optimizer (Optimizer) - 优化器实例。

  • kwargs - 创建抑制模型时使用的关键字参数。

SuppressCtrl实例关联到SuppressModel实例。

参数:
  • suppress_pri_ctrl (SuppressCtrl) - SuppressCtrl实例。

class mindarmour.privacy.sup_privacy.SuppressPrivacyFactory[源代码]

SuppressCtrl机制的工厂类。

详情请查看: 应用抑制隐私机制保护用户隐私

create(networks, mask_layers, policy='local_train', end_epoch=10, batch_num=20, start_epoch=3, mask_times=1000, lr=0.05, sparse_end=0.9, sparse_start=0.0)[源代码]
参数:
  • networks (Cell) - 要训练的神经网络模型。此网络参数应与SuppressModel()的’network’参数相同。

  • mask_layers (list) - 需要抑制的训练网络层的描述。

  • policy (str) - 抑制隐私训练的训练策略。默认值:”local_train”,表示本地训练。

  • end_epoch (int) - 最后一次抑制操作对应的epoch序号,0<start_epoch<=end_epoch<=100。默认值:10。此end_epoch参数应与mindspore.train.model.train()的’epoch’参数相同。

  • batch_num (int) - 一个epoch中批次的数量,应等于num_samples/batch_size。默认值:20。

  • start_epoch (int) - 第一个抑制操作对应的epoch序号,0<start_epoch<=end_epoch<=100。默认值:3。

  • mask_times (int) - 抑制操作的数量。默认值:1000。

  • lr (Union[float, int]) - 学习率,在训练期间应保持不变。0<lr<=0.50. 默认值:0.05。此lr参数应与mindspore.nn.SGD()的’learning_rate’参数相同。

  • sparse_end (float) - 要到达的稀疏性,0.0<=sparse_start<sparse_end<1.0。默认值:0.90。

  • sparse_start (Union[float, int]) - 抑制操作启动时对应的稀疏性,0.0<=sparse_start<sparse_end<1.0。默认值:0.0。

返回:
  • SuppressCtrl - 抑制隐私机制的类。

样例:

>>> import mindspore.nn as nn
>>> import mindspore as ms
>>> from mindspore import set_context, ops
>>> from mindspore.nn import Accuracy
>>> from mindarmour.privacy.sup_privacy import SuppressPrivacyFactory
>>> from mindarmour.privacy.sup_privacy import MaskLayerDes
>>> from mindarmour.privacy.sup_privacy import SuppressModel
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self._softmax = ops.Softmax()
...         self._Dense = nn.Dense(10,10)
...         self._squeeze = ops.Squeeze(1)
...     def construct(self, inputs):
...         out = self._softmax(inputs)
...         out = self._Dense(out)
...         return self._squeeze(out)
>>> set_context(mode=ms.PYNATIVE_MODE, device_target="CPU")
>>> network = Net()
>>> masklayers = []
>>> masklayers.append(MaskLayerDes("_Dense.weight", 0, False, True, 10))
>>> suppress_ctrl_instance = SuppressPrivacyFactory().create(networks=network,
...                                                          mask_layers=masklayers,
...                                                          policy="local_train",
...                                                          end_epoch=10,
...                                                          batch_num=1,
...                                                          start_epoch=3,
...                                                          mask_times=10,
...                                                          lr=0.05,
...                                                          sparse_end=0.95,
...                                                          sparse_start=0.0)
>>> net_loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean")
>>> net_opt = nn.SGD(network.trainable_params(), 0.05)
>>> model_instance = SuppressModel(network=network,
...                                loss_fn=net_loss,
...                                optimizer=net_opt,
...                                metrics={"Accuracy": Accuracy()})
>>> model_instance.link_suppress_ctrl(suppress_ctrl_instance)
class mindarmour.privacy.sup_privacy.SuppressCtrl(networks, mask_layers, end_epoch, batch_num, start_epoch, mask_times, lr, sparse_end, sparse_start)[源代码]

完成抑制隐私操作,包括计算抑制比例,找到应该抑制的参数,并永久抑制这些参数。

详情请查看: 应用抑制隐私机制保护用户隐私

参数:
  • networks (Cell) - 要训练的神经网络模型。

  • mask_layers (list) - 需要抑制的层的描述。

  • end_epoch (int) - 最后一次抑制操作对应的epoch序号。

  • batch_num (int) - 一个epoch中的batch数量。

  • start_epoch (int) - 第一个抑制操作对应的epoch序号。

  • mask_times (int) - 抑制操作的数量。

  • lr (Union[float, int]) - 学习率。

  • sparse_end (float) - 要到达的稀疏性。

  • sparse_start (Union[float, int]) - 要启动的稀疏性。

calc_actual_sparse_for_conv(networks)[源代码]

计算con1层和con2层的网络稀疏性。

参数:
  • networks (Cell) - 要训练的神经网络模型。

calc_actual_sparse_for_fc1(networks)[源代码]

计算全连接1层的实际稀疏

参数:
  • networks (Cell) - 要训练的神经网络模型。

calc_actual_sparse_for_layer(networks, layer_name)[源代码]

计算一个网络层的实际稀疏性

参数:
  • networks (Cell) - 要训练的神经网络模型。

  • layer_name (str) - 目标层的名称。

calc_theoretical_sparse_for_conv()[源代码]

计算卷积层的掩码矩阵的实际稀疏性。

print_paras()[源代码]

显示参数信息

reset_zeros()[源代码]

将用于加法运算的掩码数组设置为0。

update_mask(networks, cur_step, target_sparse=0.0)[源代码]

对整个模型的用于加法运算和乘法运算的掩码数组进行更新。

参数:
  • networks (Cell) - 训练网络。

  • cur_step (int) - 整个训练过程的当前epoch。

  • target_sparse (float) - 要到达的稀疏性。默认值:0.0。

update_mask_layer(weight_array_flat, sparse_weight_thd, sparse_stop_pos, weight_abs_max, layer_index)[源代码]

对单层的用于加法运算和乘法运算的掩码数组进行更新。

参数:
  • weight_array_flat (numpy.ndarray) - 层参数权重数组。

  • sparse_weight_thd (float) - 绝对值小于该阈值的权重会被抑制。

  • sparse_stop_pos (int) - 要抑制的最大元素数。

  • weight_abs_max (float) - 权重的最大绝对值。

  • layer_index (int) - 目标层的索引。

update_mask_layer_approximity(weight_array_flat, weight_array_flat_abs, actual_stop_pos, layer_index)[源代码]

对单层的用于加法运算和乘法运算的掩码数组进行更新。

禁用clipping lower、clipping、adding noise操作。

参数:
  • weight_array_flat (numpy.ndarray) - 层参数权重数组。

  • weight_array_flat_abs (numpy.ndarray) - 层参数权重的绝对值的数组。

  • actual_stop_pos (int) - 应隐藏实际参数编号。

  • layer_index (int) - 目标层的索引。

update_status(cur_epoch, cur_step, cur_step_in_epoch)[源代码]

更新抑制操作状态。

参数:
  • cur_epoch (int) - 整个训练过程的当前epoch。

  • cur_step (int) - 整个训练过程的当前步骤。

  • cur_step_in_epoch (int) - 当前epoch的当前步骤。

class mindarmour.privacy.sup_privacy.MaskLayerDes(layer_name, grad_idx, is_add_noise, is_lower_clip, min_num, upper_bound=1.2)[源代码]

对抑制目标层的描述。

参数:
  • layer_name (str) - 层名称,如下获取一个层的名称:
    for layer in networks.get_parameters(expand=True):
        if layer.name == "conv": ...
    
  • grad_idx (int) - 掩码层在梯度元组中的索引。可参考 model.py 中TrainOneStepCell的构造函数,在PYNATIVE_MODE模式下打印某些层的索引值。

  • is_add_noise (bool) - 如果为True,则此层的权重可以添加噪声。如果为False,则此层的权重不能添加噪声。如果参数num大于100000,则 is_add_noise 无效。

  • is_lower_clip (bool) - 如果为True,则此层的权重将被剪裁到大于下限值。如果为False,此层的权重不会被要求大于下限制。如果参数num大于100000,则is_lower_clip无效。

  • min_num (int) - 未抑制的剩余权重数。如果min_num小于(参数总数量 * SupperssCtrl.sparse_end ),则min_num无效。

  • upper_bound (Union[float, int]) - 此层权重的最大abs值,默认值:1.20。如果参数num大于100000,则upper_bound无效。

样例:

>>> from mindarmour.privacy.sup_privacy import MaskLayerDes
>>> masklayers = []
>>> masklayers.append(MaskLayerDes("conv1.weight", 0, False, True, 10))