# Delta开发文档

## 功能介绍

Delta可以联合分散在各处的数据，进行统计计算以及机器学习，数据全程不会离开本地，实现了数据的可用不可见，可应用于金融、医疗、政府、知识产权等领域，实现联合风控、联合科研、政企数据连接等需求，充分发挥数据的价值。

Delta通过封装整合联邦学习、安全多方计算、差分隐私等最新的隐私计算技术，降低了开发门槛，使用者无需了解隐私计算技术，也可快速实现计算需求。 用户可以快速地部署Delta节点，搭建隐私计算网络，联合多方数据，完成隐私计算。

Delta保证了计算结果的可信性，在用户无法获取原始数据的前提下，通过集成的区块链和零知识证明技术验证计算结果的正确性。

### 框架特点

Delta包含了搭建一个完整的区块链隐私计算网络的全部组件，每个组件都可以使用Docker镜像快速部署。开发者可以根据需要选择需要的组件快速完成网络的搭建。

Delta对隐私计算底层技术进行了彻底的封装，编写隐私计算任务无需对底层的原理有任何了解，只需要开发者按照以前的方式完成计算任务编写，Delta就可以将其做为隐私计算任务，在多节点网络中进行执行。

Delta支持使用PyTorch编写的机器学习任务，以及使用Pandas编写的数据统计任务。以前写的PyTorch/Pandas代码几乎可以不加修改的直接在Delta网络中执行，通过隐私计算联合多个节点的数据，获得更大数据集上的模型训练结果、验证结果以及统计数据。

关于Delta框架的详细架构说明，可以参考这篇文章：

{% content-ref url="delta-architecture" %}
[delta-architecture](https://docs.deltampc.com/delta-architecture)
{% endcontent-ref %}

## Delta网络快速搭建

Delta网络可以使用Docker镜像快速完成搭建，详情请参考：

{% content-ref url="getting-started" %}
[getting-started](https://docs.deltampc.com/getting-started)
{% endcontent-ref %}

## Delta社区

**Github：**代码使用过程中出现的问题，可以在Github中对应的仓库提Issue，为方便其他人查询，请将Issue标题写为问题的大致描述：

{% embed url="<https://github.com/delta-mpc>" %}

**微信交流群：**&#x8BF7;扫码加好友，并备注"Delta社区"：

![扫码加好友，并备注"Delta社区"](https://1896031965-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F-MeXwJqfM10q7XP1GAyZ-1995411665%2Fuploads%2Fgit-blob-0422ee80964a27cd97d2614551234bf1bc5fa953%2F9db164bd4d5d449ddb9da507085d925.png?alt=media)

**Slack：**&#x70B9;击下面的邀请链接加入Slack：

{% embed url="<https://join.slack.com/t/delta-mpc/shared_invite/zt-uaqm185x-52oCXcxoYvRlFwEoMUC8Tw>" %}

## 相关链接

Delta官网：

{% embed url="<https://deltampc.com/>" %}

Github源代码仓库：

{% embed url="<https://github.com/delta-mpc>" %}

隐私计算技术专栏：

{% embed url="<https://www.zhihu.com/column/blocktech>" %}


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.deltampc.com/readme.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.