DpsgdOptimizer

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:

注解

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

参数

loss (Variable) – 需要最小化的损失值变量
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

tuple(optimize_ops, params_grads)，其中optimize_ops为参数优化OP列表；param_grads为由(param, param_grad)组成的列表，其中param和param_grad分别为参数和参数的梯度。该返回值可以加入到 Executor.run() 接口的 fetch_list 参数中，若加入，则会重写 use_prune 参数为True，并根据 feed 和 fetch_list 进行剪枝，详见 Executor 的文档。


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)
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},