Part 3: 高级远程执行工具

在上一节中，我们使用联合学习训练了一个玩具模型。为此，我们在模型上调用了.send()和.get()，将其发送到训练数据的位置，对其进行了更新，最后将其恢复。但是，在示例的最后，我们意识到我们需要进一步保护人们的隐私。也就是说，我们要在调用.get()之前对梯度进行平均。这样，我们将永远不会看到任何人的确切坡度（因此更好地保护了他们的隐私！！！）

但是，为了做到这一点，我们还需要几块：

使用指针将张量直接发送给其他工作机

此外，当我们在这里时，我们还将学习一些更高级的张量操作，这将有助于我们使用本示例以及将来的一些示例！

作者:

Andrew Trask - Twitter: @iamtrask

中文版译者：

Hou Wei - github：@dljgs1



In [ ]:

    
import torch
import syft as sy
hook = sy.TorchHook(torch)

3.1 - 指向指针的指针

如您所知，PointerTensor（张量指针）对象的感觉就像普通的张量一样。实际上，它们非常类似于张量，甚至我们甚至可以拥有指向这些指针的指针。一探究竟！



In [ ]:

    
bob = sy.VirtualWorker(hook, id='bob')
alice = sy.VirtualWorker(hook, id='alice')



In [ ]:

    
# 这是本地张量
x = torch.tensor([1,2,3,4])
x



In [ ]:

    
# 将本地张量发送给bob
x_ptr = x.send(bob)

# 新的指针
x_ptr



In [ ]:

    
# 现在我们可以把 指 针 发 送 给Alice!!!
pointer_to_x_ptr = x_ptr.send(alice)

pointer_to_x_ptr

发生了什么?

在之前的示例中我们创建了一个名为 x 的张量然后发送给了Bob，并在本地计算机创建了一个指针(x_ptr)。

然后我们调用了 x_ptr.send(alice) ，它将指针发送给Alice。

注意，这里没有移动数据，而是将指针移动到了数据上。



In [ ]:

    
# 如上所示，Bob仍然具有实际数据（数据始终以LocalTensor类型存储）。
bob._objects



In [ ]:

    
# 另一方面，Alice有x_ptr！ （注意它是如何指向Bob的）
alice._objects



In [ ]:

    
# 我们可以用 .get() 获取 x_ptr 返回给 Alice

x_ptr = pointer_to_x_ptr.get()
x_ptr



In [ ]:

    
# 我们可以用 x_ptr 获取x返回给 Bob!

x = x_ptr.get()
x

Pointer -> Pointer -> Data 对象上的运算

就像普通的指针一样，我们可以在这些张量上执行任何PyTorch操作。



In [ ]:

    
bob._objects



In [ ]:

    
alice._objects



In [ ]:

    
p2p2x = torch.tensor([1,2,3,4,5]).send(bob).send(alice)

y = p2p2x + p2p2x



In [ ]:

    
bob._objects



In [ ]:

    
alice._objects



In [ ]:

    
y.get().get()



In [ ]:

    
bob._objects



In [ ]:

    
alice._objects



In [ ]:

    
p2p2x.get().get()



In [ ]:

    
bob._objects



In [ ]:

    
alice._objects

3.2 - 指针链操作

因此，在上一节中，每当我们调用.send()或.get()操作时，它都会直接在本地计算机的张量上调用该操作。但是，如果您有一连串的指针，有时您希望在该链中“最后”指针上调用.get()或.send()之类的操作（例如，将数据直接从一个工作程序发送到另一个工作程序）。为此，您想使用专门为此隐私保护操作设计的功能。

这些操作是：

my_pointer2pointer.move(another_worker)



In [ ]:

    
# x is now a pointer to a pointer to the data which lives on Bob's machine
# x现在是指向数据的指针，存在Bob的机器上
x = torch.tensor([1,2,3,4,5]).send(bob)



In [ ]:

    
print('  bob:', bob._objects)
print('alice:',alice._objects)



In [ ]:

    
x = x.move(alice)



In [ ]:

    
print('  bob:', bob._objects)
print('alice:',alice._objects)



In [ ]:

    
x

太棒了! 现在我们有了足够的工具来实现在受信任聚合器下的模型平均！

恭喜!!! 是时候加入社区了!

祝贺您完成本笔记本教程！如果您喜欢此方法，并希望加入保护隐私、去中心化AI和AI供应链（数据）所有权的运动，则可以通过以下方式做到这一点！

给 PySyft 加星

帮助我们的社区的最简单方法是仅通过给GitHub存储库加注星标！这有助于提高人们对我们正在构建的出色工具的认识。

Star PySyft

加入我们的 Slack!

保持最新进展的最佳方法是加入我们的社区！您可以通过填写以下表格来做到这一点http://slack.openmined.org

加入代码项目!

对我们的社区做出贡献的最好方法是成为代码贡献者！您随时可以转到PySyft GitHub的Issue页面并过滤“projects”。这将向您显示所有概述，选择您可以加入的项目！如果您不想加入项目，但是想做一些编码，则还可以通过搜索标记为“good first issue”的GitHub问题来寻找更多的“一次性”微型项目。

捐赠

如果您没有时间为我们的代码库做贡献，但仍想提供支持，那么您也可以成为Open Collective的支持者。所有捐款都将用于我们的网络托管和其他社区支出，例如黑客马拉松和聚会！

OpenMined's Open Collective Page