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
- Python 环境（用于运行 pip 与训练脚本）
- pip 包管理器
- 已具备 TensorFlow 环境（本库提供 TensorFlow 的 DP 优化器实现）
安装与启动步骤
-
1直接安装库
只把 TensorFlow Privacy 当库用时，一条命令即可安装，之后可在原有训练代码中替换优化器。
pip install tensorflow-privacy -
2克隆源码仓库
需要阅读源码、改代码或做二次开发时，把仓库克隆到本地任意目录。
git clone https://github.com/tensorflow/privacy -
3可编辑模式安装
进入克隆目录后以 editable 模式安装，本地包会加入 PYTHONPATH，改动源码立即生效。
cd privacy pip install -e . -
4验证安装结果
查看已安装包的信息，能打印出名称、版本与安装路径即表示安装成功。
pip show tensorflow-privacy
如何确认成功
执行 pip show tensorflow-privacy，能显示版本号与安装路径即为安装成功。
常见问题
Q：应该选 pip 安装还是克隆仓库安装？
A：只把库用在训练脚本里，直接 pip install tensorflow-privacy；需要看源码、调试或贡献代码，则克隆仓库后 pip install -e . 以可编辑模式安装。
Q：想给项目贡献代码该怎么开始？
A：README 建议先 fork 本仓库，然后克隆你自己的 fork，而不是直接克隆官方仓库，再在本地以 editable 模式安装。
Q：0.9.0 之后包结构有什么变化？
A：自 0.9.0 起仓库拆成两个 PyPI 包：tensorflow-privacy 包含 DP 模型训练相关部分，tensorflow-empirical-privacy 包含经验隐私测试相关部分。
Q：依赖的具体版本要求在哪里看？
A：README 的 Dependencies 一节内容未完整给出，未列出具体依赖与版本约束，请以仓库最新说明和安装时的报错提示为准。
注意事项
- 自 0.9.0 版本起本库拆分为 tensorflow-privacy 与 tensorflow-empirical-privacy 两个包，安装前先确认自己需要哪一部分。
- 对仅由 Dense 和 Embedding 层组成的 DP Keras 模型，已有高效的逐样本梯度裁剪实现，可基本不增加内存与运行时间开销。
- 该高效实现按单个样本裁剪梯度，因此不再需要调节 microbatches 数量。
- 本库持续开发中，README 未给出具体的 Python 与 TensorFlow 版本约束，安装失败时应回到仓库查看最新依赖说明。
核心亮点
- 提供 DP-SGD、隐私会计等完整差分隐私训练组件，可直接替换优化器接入现有流程
- 与 TensorFlow、PyTorch、JAX 等主流框架集成，示例和文档较完善
- 由 Google 维护，差分隐私实现经过学术与工业场景验证，可信度较高
不足之处
- 引入噪声后模型精度通常会有下降，需要调参平衡隐私预算与效果
- 对不熟悉差分隐私理论的开发者，隐私预算、噪声倍率等概念上手门槛偏高
适用场景
- 医疗健康数据建模，需保护患者隐私同时训练预测模型
- 金融风控场景，在用户交易数据上训练模型并满足合规要求
- 用户行为分析，用差分隐私训练推荐或统计模型避免个体信息泄露
替代项目
opacus、tensorflow-privacy
下一篇：TorchSpec
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···