项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
技术标签
使用教程
—
环境要求
- 已安装 Python 环境（用于运行 PyTorch 训练代码）
- 已安装 PyTorch（Opacus 用于训练 PyTorch 模型）
- 可用的 pip 或 conda 包管理器
安装与启动步骤
-
1用 pip 安装
官方推荐的安装方式，一条命令即可完成，对原有训练代码几乎无侵入。
pip install opacus -
2用 conda 安装
如果习惯使用 conda 环境管理，可改用 conda-forge 渠道安装，效果等价。
conda install -c conda-forge opacus -
3从源码安装
想体验最新特性时使用，但源码版可能包含未稳定的改动甚至偶发 bug。
git clone https://github.com/pytorch/opacus.git cd opacus pip install -e . -
4改造训练流程
实例化 PrivacyEngine，把 model、data_loader、optimizer 传入 make_private()，用返回的私有版本继续训练。
如何确认成功
在 Python 中执行 import opacus 不报错，或用 pip show opacus 能查到已安装的版本信息。
常见问题
Q：引入差分隐私需要改很多训练代码吗？
A：不需要。README 强调只需实例化 PrivacyEngine，并把 model、data_loader、optimizer 交给 make_private() 获取对应的私有版本即可。
Q：pip 和 conda 两种安装方式该选哪个？
A：两者都可以：pip install opacus，或 conda install -c conda-forge opacus，按你的环境管理习惯选择即可。
Q：什么时候需要从源码安装？
A：当你需要最新特性时，可 git clone 仓库后执行 pip install -e . 从源码安装，但需接受可能出现的偶发问题。
Q：训练时的隐私消耗能监控吗？
A：可以。README 说明 Opacus 允许客户端在任何时刻在线追踪已消耗的隐私预算。
注意事项
- 源码安装方式会包含最新特性，同时也可能带来未稳定的行为，生产环境建议优先用发布版本。
- 调用 make_private() 后要使用它返回的私有 model、data_loader 和 optimizer 继续训练，而不是原来的对象。
- README 只给出了 PrivacyEngine 与 make_private() 的用法说明，未提供具体参数配置项。
核心亮点
- API 侵入性低，用 PrivacyEngine 包装模型/优化器/数据加载器即可开启 DP-SGD
- 提供隐私预算追踪与会计工具，能直观看到 epsilon/delta 消耗
- 由 Meta 维护，与 PyTorch 生态集成好，支持常见层和分布式训练
不足之处
- 加噪与梯度裁剪会带来训练速度下降和精度损失，需调参权衡
- 对部分自定义层、动态结构或特殊训练流程的兼容性仍有限
适用场景
- 医疗、金融等敏感数据场景下训练模型，需满足隐私合规
- 在联邦学习或用户端数据上做本地训练，防止个体信息泄露
- 学术研究差分隐私与深度学习结合，快速复现 DP-SGD 实验
替代项目
TensorFlow Privacy、PySyft
上一篇：torchtitan
下一篇：SAELens
同类项目推荐
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···