opacus - 简化PyTorch差分隐私训练流程

项目介绍：Opacus

Opacus 是一个用来在 PyTorch 中进行差分隐私训练的库。这个工具旨在帮助机器学习实践者和差分隐私研究者在不做复杂代码改动的情况下，为模型训练提供隐私保护。同时，它对训练性能的影响较小，并允许实时跟踪隐私预算的消耗情况。

目标用户

Opacus 的目标用户主要有两个群体：

机器学习实践者：对他们来说，Opacus 提供了一种简便的差分隐私训练模型的入门方法，只需进行极少的代码改动。
差分隐私研究者：对于研究者，该工具容易进行实验和调整，使其能专注于更加重要的研究内容。

安装指南

Opacus 可以通过以下方式安装：

使用 pip:
```
pip install opacus
```
或者使用 conda:
```
conda install -c conda-forge opacus
```
想要使用最新版（可能包括一些未解决的 bug），可以从源代码直接安装：
```
git clone https://github.com/pytorch/opacus.git
cd opacus
pip install -e .
```

快速入门

要以差分隐私方式训练模型，用户只需实例化一个 PrivacyEngine，并通过它的 make_private() 方法将模型、数据加载器和优化器转换为支持隐私保护的版本。以下是简要示例：

# 定义组件
model = Net()
optimizer = SGD(model.parameters(), lr=0.05)
data_loader = torch.utils.data.DataLoader(dataset, batch_size=1024)

# 进入 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,
)
# 然后按常规方式运行

Opacus 提供了完整的 MNIST 示例，以及更多的示例，用户可以在 Opacus 的 GitHub 仓库中找到。