Pysyft学习笔记03，高级远程执行工具

在上一节中，我们使用联合学习训练了一个玩具模型。 为此，我们在模型上调用了.send()和.get()，将其发送到训练数据的位置，对其进行了更新，最后将其恢复。但是，在示例的最后，我们意识到我们需要进一步保护人们的隐私。也就是说，我们要在调用.get()之前对梯度进行平均。这样，我们将永远不会看到任何人的确切坡度（因此更好地保护了他们的隐私！！！）

FedAVG？

import torch
import syft as sy
hook = sy.TorchHook(torch)

bob = sy.VirtualWorker(hook, id='bob')
alice = sy.VirtualWorker(hook, id='alice')

# 这是本地张量
x = torch.tensor([1,2,3,4])
print(x)

x_ptr = x.send(bob)
print(x_ptr)

# 现在我们可以把 指 针 发 送 给Alice!!!
pointer_to_x_ptr = x_ptr.send(alice)
print(pointer_to_x_ptr)

结果：

发生了什么?

在之前的示例中我们创建了一个名为 x 的张量然后发送给了Bob，并在本地计算机创建了一个指针(x_ptr)。

然后我们调用了 x_ptr.send(alice) ，它将指针发送给Alice。

注意，这里没有移动数据，而是将指针移动到了数据上。

# 如上所示，Bob仍然具有实际数据（数据始终以LocalTensor类型存储）。
print(bob._objects)

# 另一方面，Alice有x_ptr！ （注意它是如何指向Bob的）
print(alice._objects)

# 我们可以用 .get() 获取 x_ptr 返回给 Alice
x_ptr = pointer_to_x_ptr.get()
print(x_ptr)

# 我们可以用 x_ptr 获取x返回给 Bob!

x = x_ptr.get()
print(x)

Pointer -> Pointer -> Data 对象上的运算

就像普通的指针一样，我们可以在这些张量上执行任何PyTorch操作。

#Pointer -> Pointer -> Data 对象上的运算
#就像普通的指针一样，我们可以在这些张量上执行任何PyTorch操作。
print(bob._objects)
print(alice._objects)

p2p2x = torch.tensor([1,2,3,4,5]).send(bob).send(alice)

y = p2p2x + p2p2x

print(bob._objects)
print(alice._objects)

print(y.get().get())

print(bob._objects)
print(alice._objects)

print(p2p2x.get().get())

print(bob._objects)
print(alice._objects)

指针嵌套？

3.2 - 指针链操作

因此，在上一节中，每当我们调用.send()或.get()操作时，它都会直接在本地计算机的张量上调用该操作。但是，如果您有一连串的指针，有时您希望在该链中“最后”指针上调用.get()或.send()之类的操作（例如，将数据直接从一个工作程序发送到另一个工作程序）。为此，您想使用专门为此隐私保护操作设计的功能。

my_pointer2pointer.move(another_worker)

# x is now a pointer to a pointer to the data which lives on Bob's machine
# x现在是指向数据的指针，存在Bob的机器上
x = torch.tensor([1,2,3,4,5]).send(bob)
print('  bob:', bob._objects)
print('alice:',alice._objects)

x = x.move(alice)
print('  bob:', bob._objects)
print('alice:',alice._objects)