DiNN学习笔记2-代码部分

最新推荐文章于 2022-04-08 18:08:36 发布
最新推荐文章于 2022-04-08 18:08:36 发布
阅读量619 收藏 3
点赞数 2
分类专栏： 同态加密 文章标签： 1024程序员节 信息安全 密码学 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38076131/article/details/109230236
版权

DiNN学习笔记2-代码部分

整体流程

函数整体流程图如下：

DiNN代码分析-整体流程2

1.设置

设置步骤整体流程如下：

DiNN代码分析-设置1

参数准备和初始化步骤中初始化了如下参数：

DiNN代码分析-设置1-1

函数 our_default_gate_bootstrapping_parameters()

  • 函数位置：cpp/nn.cpp
  • 输入参数：int minimum_lambda //安全系数 λ
  • 返回值：TFheGateBootstrappingParameterSet //自举密钥参数的结构体
    • const int32_t ks_t
    • const int32_t ks_basebit
    • const LweParams *const in_out_params //LWE 参数
    • const TGswParams *const tgsw_params //TGSW 参数
    <
最低0.47元/天 解锁文章
瓜皮37
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
DiNN学习笔记1-理论部分
瓜皮37的博客
10-19 1892
DiNN学习笔记1-理论部分背景知识机器学习即服务MLaaS 中的全同态加密神经网络Fhe-DiNN 中的默认设定Fhe-DiNN 方案神经元中的计算离散神经网络DiNN 评估步骤自举的引入激活函数的同态评估对 TFHE 的改进明文的打包密钥转换的前置动态变化的消息空间优化盲旋步骤DiNN 方案的整体流程参考资料 背景知识 机器学习即服务 机器学习即服务 (Machine Learning as a Service, MLaaS) 可以简单理解为：一系列将机器学习工具作为云计算服务的一部分的服务。 MLaa
TFHE论文阅读笔记
最新发布
weixin_44830789的博客
04-15 344
设。
TFHE同态库详解（一）
weixin_44592881的博客
04-04 1748
TFHE同态库详解
TFHE中的几个算法
AdijeShen的博客
10-14 2208
TFHE中的几个算法 文章目录TFHE中的几个算法个人总结：外积RGSWDecomp外积与内积对比KeySwitchPublicKeySwitchPrivateKeySwitch对比Gate BootstrappingCircuit Bootstrapping 个人总结： 关于TFHE的话其实大概的思路就是优化了FHEW当中Refresh算法里面的ACC计算，把原来的RGSW⊠RGSW→RGSW{\sf RGSW} \boxtimes {\sf RGSW}\to{\sf RGSW}RGSW⊠RGSW→RGS
TFHE同态库详解（二）
weixin_44592881的博客
04-08 1220
TFHE同态库详解
Din-Dinn-Q2：迷你分配解决方案。 Q2
02-16
在解决“Din-Dinn-Q2”的问题时，明智地处理可空性将有助于提高代码的健壮性。 此外，Kotlin提供了一些高级特性，如扩展函数、高阶函数和协程，这些都可以帮助优化内存分配。例如，协程可以有效地处理异步操作，...
matlab代码解释器-3dinn:单图像3D解释器网络
05-23
Matlab代码解释器单图像3D解释器网络 该存储库包含针对项目“单一图像3D解释器网络”（ECCV 2016）的预训练模型和评估代码。 先决条件 火炬 我们将Torch 7（）用于实现。 fb.mattorch和Matlab（可选） 我们将.mat...
Julia中的 抖动算法_julia_代码_下载
06-10
在DitherPunk.jl-master压缩包中，包含的是这个软件包的源代码，用户可以下载后进行查阅、学习和二次开发。通过阅读源代码，可以深入了解各种抖动算法的实现细节，这对于深入理解图像处理和计算机图形学是非常有价值...
Algorithm-WernessDithering.zip
09-17
Algorithm-WernessDithering.zip,为obra dinn发明的brent werness（koloth）的抖动代码副本,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。
max14808中文数据手册
04-27
- **八通道三级电平脉冲发生器**：每个通道由两路逻辑输入（DINN_/DINP_）控制，有源归零箝位的电流为脉冲发生器电流的一半，典型值为1A。 - **四通道五级电平脉冲发生器**：每个通道由三路逻辑输入控制，有源归零...
一种基于LWE采用算法的实现与优化
01-17
基于带错误学习问题(Learning With Errors,LWE)构造的密码体制能够抵御量子攻击,它的应用效率与LWE 问题的采样过程密切相关.而在LWE 问题采样中,对其中的错误因子(Error Factor)采样占采样过程绝大部分时间,本文对LWE问题中的错误因子的采样算法进行研究,将在高斯分布上效率较高的金字塔(Ziggurat)采样算法,应用到了一种高效的LWE问题采样算法中.基于在连续域上的采样比离散域上采样效率高的思路,对LWE问题采样算法在离散域上采样的过程进行了优化,提出了一种将连续域上的采样结果进行取整的方法.对优化前后的两种LWE问题的采样算法进行了对比实验,结果表明:改进后的算法在不占用大量内存并且保证安全性的情况下,将采样速度提高了38%~200%.
TFHE样例-比较大小
weixin_43476788的博客
04-12 876
源地址 A hello world example 在这个hello world示例中，我们将介绍一个简单的用例。 首先，客户机Alice将生成密钥并加密两个数字。 然后，云会做一些同态计算:在这里，它会计算这两个数字中的最小值。 最后，Alice将解密并打印云计算出的答案 这三个步骤中的每一个都将被编码为一个单独的二进制文件，应该在程序之间传输的数据将被保存并加载到文件中。 Alice操作 第一步：生成和保存参数和密钥 要使用这个库，首先需要生成一个密钥和一个云密钥。下面的C示例代码展示了如何做到这一点。
TFHE同态库的安装与简单使用
weixin_44592881的博客
03-16 3694
TFHE同态加密库TFHE的安装与简单使用。
TFHE库的安装
weixin_43476788的博客
04-22 1501
TFHE库源码 默认是直接 make make install 这样就可以安装 tfhe 到 /usr/local/lib 如果想测试，可以 mkdir build cd build cmake ../src -DENABLE_TESTS=on -DENABLE_FFTW=on -DCMAKE_BUILD_TYPE=debug make 但是需要自己下载安装FFTW3 library: http://www.fftw.org. 我这里-DENABLE_FFTW=on没有成功，见问题FFTW，暂时只使
DeepCTR——DIN模型部分源码解读
weixin_43352637的博客
07-02 3245
特征构建 首先，最重要的是特征构建的部分，DIN用到了三种类型的特征，SparseFeat，DenseFeat和VarLenSparseFeat。 SparseFeat SparseFeat由类别型特征构建而成，比如性别特征（男、女），这种特征一般采用one-hot编码，但是如果特征里的类别数量特别多，one-hot编码会使数据变得非常稀疏，在深度模型里一般使用embedding技术对特征降维。 ...
Task05 天池新闻推荐入门赛之【排序模型+模型融合】
sinat_39470268的博客
12-06 254
DIN，Deep Interest Network，深度兴趣网络。论文的关键在于对用户历史行为的embedding向量的改进。模型结构如下： 左边是一般的深度推荐模型，basemodel，basemodel就是将用户特征，进行sum pooling输入给全连接层，和sigmoid函数得到一个输出的结果； 右边则是DIN模型。利用注意力机制对用户的兴趣进行进行一个加权最后再使用一个sum pooling。 其中，va代表的是候选广告的嵌入向量，ej是用户历史中的兴趣；通过注意力机制来表示用户对于不同历史信
深度学习推荐模型-DIN
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-27 696
深度学习推荐模型-DIN 本文参考链接，仅供个人学习： https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel 相关学习书籍推荐：《深度学习推荐系统》王喆 DIN介绍 Deep Interest Network(DIN)是盖坤大神领导的阿里妈妈的精准定向检索及基础算法团队，在2017年6月提出的。 它针对电子商务领域(e-commerce industry)的CTR预估，重点在
Datawhale 实践项目 天池赛中零基础入门推荐系统 Task05：排序模型+模型融合 笔记[让我看看]
微信公众号（年更选手）：数据闲逛人 | Github开源项目：数分/数挖study路线 https://github.com/jc-dian/python_data_analysis
12-04 540
文章目录1. 排序模型1.1 读取排序特征1.2 返回排序后的结果 1. 排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是
TFHE：环面上全同态加密方案学习笔记2
瓜皮37的博客
08-17 4416
TFHE：环面上全同态加密方案学习笔记2TFHE中部分符号整理层次TFHE(TFHE IN LEVELED MODE)层次TFHE中的 Det-WFA层次TFHE中的 电路自举(Circiut Bootstrapping) TFHE中部分符号整理 这些符号后续可能会频繁使用，列成表格方便查看。 基本符号参照表 符号 定义 解释 λ\lambdaλ security parameter 安全参数 B\mathbb BB set{0,1} 集合{0,1} T\mathbb TT R/Z=
SLPC可编程调节器：控制仪表中的数字变送器详解
3. 寄存器分配：输入寄存器Xnn和DInn分别用于模拟和数字信号，输出寄存器Ynn同样分为模拟和数字部分，其中Y1-Y6用于基本信号输出，而DOnn则可用于输出控制，其设定值决定哪些端子作为输出使用。 控制仪表数字变送器...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值