Home Progetti opacus
opacus
Python

opacus

Addestramento di modelli PyTorch con privacy differenziale

di meta-pytorch · GitHub
Stelle
Fork
Licenza
Creato
Ultimo commit
Categoria
Lingua
deep-learningdifferential-privacymachine-learningApache-2.0Python
Visualizza su GitHub
In parole semplici

Addestra modelli di machine learning mantenendo i dati degli utenti privati con minime modifiche al codice.

Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
opacus — GitHub preview card
📈 Storia delle stelle
1 9431 942
2026-07-202026-08-31
📈 Segui opacus

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Addestramento di modelli PyTorch con privacy differenziale

opacus ha 1.9k stelle su GitHub. È stato forkato 397 volte. opacus è scritto principalmente in Python. È in sviluppo attivo dal 2019. opacus è disponibile con licenza Apache-2.0. I suoi temi principali sono: deep-learning, differential-privacy, machine-learning, neural-network.

Frequently asked questions

Che cos'è opacus?

Addestramento di modelli PyTorch con privacy differenziale

opacus è open source?

opacus è un progetto open source. È rilasciato con licenza Apache-2.0.

opacus è gratuito?

Sì. opacus è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

Con quale licenza è opacus?

opacus è disponibile con licenza Apache-2.0.

In quale linguaggio è scritto opacus?

opacus è scritto principalmente in Python.

🏅 Manutentore di questo progetto?
olud.ai badge — opacus

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![olud.ai](https://olud.ai/badge.php?tool=meta-pytorch-opacus)](https://olud.ai/project/meta-pytorch-opacus.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.