DpsgdOptimizer

class paddle.fluid.optimizer.DpsgdOptimizer(learning_rate=0.001, clip=0.9, batch_size=0.999, sigma=1e-8)[源代码]

Dpsgd优化器是参考CCS16论文 《Deep Learning with Differential Privacy》 相关内容实现的。

其参数更新的计算公式如下:

\[\begin{split}g\_clip_t = \frac{g_t}{\max{(1, \frac{||g_t||^2}{clip})}}\\\end{split}\]
\[\begin{split}g\_noise_t = g\_clip_t + \frac{gaussian\_noise(\sigma)}{batch\_size}\\\end{split}\]
\[param\_out=param−learning\_rate*g\_noise_t\]
参数:
  • learning_rate (float|Variable,可选) - 学习率,用于参数更新的计算。可以是一个浮点型值或者一个值为浮点型的Variable,默认值为0.001
  • clip (float, 可选) - 裁剪梯度的L2正则项值的阈值下界,若梯度L2正则项值小于clip,则取clip作为梯度L2正则项值,默认值为0.9
  • batch_size (float, 可选) - 每个batch训练的样本数,默认值为0.999
  • sigma (float, 可选) - 参数更新时,会在梯度后添加一个满足高斯分布的噪声。此为高斯噪声的方差,默认值为1e-08

注解

目前 DpsgdOptimizer 不支持 Sparse Parameter Optimization(稀疏参数优化)。

代码示例

import paddle.fluid as fluid
import numpy

# First create the Executor.
place = fluid.CPUPlace() # fluid.CUDAPlace(0)
exe = fluid.Executor(place)

train_program = fluid.Program()
startup_program = fluid.Program()
with fluid.program_guard(train_program, startup_program):
  data = fluid.layers.data(name='X', shape=[1], dtype='float32')
  hidden = fluid.layers.fc(input=data, size=10)
  loss = fluid.layers.mean(hidden)
  optimizer = fluid.optimizer.Dpsgd(learning_rate=0.01, clip=10.0, batch_size=16.0, sigma=1.0)
  optimizer.minimize(loss)

# Run the startup program once and only once.
exe.run(startup_program)

x = numpy.random.random(size=(10, 1)).astype('float32')
outs = exe.run(program=train_program,
            feed={'X': x},
             fetch_list=[loss.name])
minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)

为网络添加反向计算过程,并根据反向计算所得的梯度,更新parameter_list中的Parameters,最小化网络损失值loss。

参数:
  • loss (Variable) – 需要最小化的损失值变量
  • startup_program (Program, 可选) – 用于初始化parameter_list中参数的 Program , 默认值为None,此时将使用 default_startup_program
  • parameter_list (list, 可选) – 待更新的Parameter或者Parameter.name组成的列表, 默认值为None,此时将更新所有的Parameter
  • no_grad_set (set, 可选) – 不需要更新的Parameter或者Parameter.name组成集合,默认值为None
  • grad_clip (GradClipBase, 可选) – 梯度裁剪的策略,静态图模式不需要使用本参数,当前本参数只支持在dygraph模式下的梯度裁剪,未来本参数可能会调整,默认值为None

返回: (optimize_ops, params_grads),数据类型为(list, list),其中optimize_ops是minimize接口为网络添加的OP列表,params_grads是一个由(param, grad)变量对组成的列表,param是Parameter,grad是该Parameter对应的梯度值

代码示例

import numpy
import paddle.fluid as fluid

data = fluid.layers.data(name='X', shape=[1], dtype='float32')
hidden = fluid.layers.fc(input=data, size=10)
loss = fluid.layers.mean(hidden)
adam = fluid.optimizer.Dpsgd(learning_rate=0.2)
adam.minimize(loss)

place = fluid.CPUPlace() # fluid.CUDAPlace(0)
exe = fluid.Executor(place)

x = numpy.random.random(size=(10, 1)).astype('float32')
exe.run(fluid.default_startup_program())
outs = exe.run(program=fluid.default_main_program(),
               feed={'X': x},
               fetch_list=[loss.name])