भाग 5 - सँडबॉक्समध्ये आपले स्वागत आहे

मागील ट्यूटोरियल मध्ये आपण प्रत्येक वेळी हातांनी आपले हुक आणि आपले सर्व कामगारांना आरंभ करीत होतो. जेव्हा आपण फक्त इंटरफेस विषयी शिकत असाल तेव्हा हे थोडे त्रासदायक ठरू शकते. तर येथून पुढे हे सर्व समान व्हेरिएबल्स आपण एका सोयीस्कर सुविधासाठी वापरणार आहोत.

अनुवादक/संपादक:


In [ ]:
import torch
import syft as sy
sy.create_sandbox(globals())

सँडबॉक्स आपल्याला काय देते?

जसे आपण वर पाहू शकता, आपण अनेक आभासी कामगार तयार केले आणि बरेच टेस्ट डेटासेट लोड केले, त्यांना विविध कामगारांमध्ये वितरित केले जेणेकरुन आपण फेडरेटेड लर्निंग सारख्या गोपनीयता संरक्षणाच्या तंत्राचा वापर करू शकू.

आपण सहा कामगार तयार केले ....


In [ ]:
workers

आपण बरेच ग्लोबल व्हेरिएबल्स देखील बनवले आहेत जे आपण आत्ता वापरु शकतो!


In [ ]:
hook

In [ ]:
bob

भाग 2: कामगार शोध कार्यक्षमता

रिमोट डेटा सायन्स करण्यामागील एक महत्त्वाचे घटक म्हणजे आपल्याला रिमोट मशीनवर डेटासेट शोधण्याची क्षमता हवी आहे. कदाचित "रेडिओ" डेटासेटसाठी रुग्णालयांची चौकशी करण्याची इच्छा असलेल्या संशोधन प्रयोगशाळेचा विचार करा.


In [ ]:
torch.Tensor([1,2,3,4,5])

In [6]:
x = torch.tensor([1,2,3,4,5]).tag("#fun", "#boston", "#housing").describe("The input datapoints to the boston housing dataset.")
y = torch.tensor([1,2,3,4,5]).tag("#fun", "#boston", "#housing").describe("The input datapoints to the boston housing dataset.")
z = torch.tensor([1,2,3,4,5]).tag("#fun", "#mnist",).describe("The images in the MNIST training dataset.")

In [ ]:
x

In [ ]:
x = x.send(bob)
y = y.send(bob)
z = z.send(bob)

#यह एक टैग के भीतर या विवरण के भीतर सटीक मिलान के लिए खोज करता है

results = bob.search(["#boston", "#housing"])

In [ ]:
results

In [ ]:
print(results[0].description)

भाग 3: आभासी ग्रिड

ग्रिड हे फक्त कामगारांचे संग्रह आहे जे आपल्याला डेटासेट एकत्रित करू इच्छित असल्यास आपल्याला काही सोयीस्कर कार्ये देते.


In [11]:
grid = sy.PrivateGridNetwork(*workers)

In [ ]:
results = grid.search("#boston")

In [ ]:
boston_data = grid.search("#boston","#data")

In [ ]:
boston_target = grid.search("#boston","#target")

In [ ]: