:thought_balloon:

EZKL

Easy Zero-Knowledge Inference

ezkl 是一个库和命令行工具，用于在 zk-snark（零知识简洁非交互式论证，ZK-SNARK）环境中进行深度学习模型和其他计算图的推理（ZKML 零知识机器学习）。它支持以下工作流程：

1. 定义计算图，例如神经网络（但实际上可以是任意一组操作），就像你在 pytorch 或 tensorflow 中通常所做的那样。
2. 将最终的操作图导出为 .onnx 文件和一些样本输入到 .json 文件中。
3. 将 ezkl 指向 .onnx 和 .json 文件以生成一个 ZK-SNARK 电路，你可以用它来证明诸如以下的陈述：

"I ran this publicly available neural network on some private data and it produced this output"

“我在一些私有数据上运行了这个公开可用的神经网络，并产生了这个输出”

"I ran my private neural network on some public data and it produced this output"

“我在一些公共数据上运行了我的私有神经网络，并产生了这个输出”

"I correctly ran this publicly available neural network on some public data and it produced this output"

“我正确地在一些公共数据上运行了这个公开可用的神经网络，并产生了这个输出”

在后台，我们使用协作开发的 Halo2 作为证明系统。

生成的证明随后可以用更少的计算资源进行验证，包括链上（使用以太坊虚拟机 EVM）、在浏览器中，或在设备上。

• 如果您有任何问题，我们非常欢迎您前往 Discussions 开启讨论话题。或者，您可以加入 ✨EZKL 社区 Telegram 群组💫。

• 欲了解更多技术文章和详情，请查看我们的 博客。

• 想了解用 ezkl 能构建什么，请查看 cryptoidol.tech，ezkl 在那里被用来创建一个永远评判你唱歌水平的 AI。

---

Getting Started ⚙️

最简单的方法是尝试一下笔记本。

Python

通过调用以下命令安装 Python 绑定。

pip install ezkl

或者针对 GPU：

pip install ezkl-gpu

Google Colab 示例，学习如何训练神经网络并在链上部署推理验证器以供其他智能合约使用。

更多笔记本教程可以在 examples/notebooks 中找到。

CLI

安装 CLI

curl https://raw.githubusercontent.com/zkonduit/ezkl/main/install_ezkl_cli.sh | bash

https://user-images.githubusercontent.com/45801863/236771676-5bbbbfd1-ba6f-418a-902e-20738ce0e9f0.mp4

更多详情请访问 文档。CLI 比 Python 更快，因为它的开销更少。为了获得更快的速度和便利性，请查看 远程证明服务，它感觉像 CLI 但由调优后的集群提供支持。

构建自动生成的 Rust 文档并在本地浏览器中打开文档。cargo doc --open

Building the Project 🔨

Rust CLI

您可以从源码安装库

cargo install --locked --path .

ezkl 现在会自动为您管理 solc 的安装。

Building Python Bindings

Python 绑定已存在，可以使用 maturin 构建。您需要安装 rust 和 cargo。

python -m venv .env
source .env/bin/activate
pip install -r requirements.txt
maturin develop --release --features python-bindings
# dependencies specific to tutorials
pip install torch pandas numpy seaborn jupyter onnx kaggle py-solc-x web3 librosa tensorflow keras tf2onnx

GPU Acceleration

如果您可以访问 NVIDIA GPU，您可以通过使用 icicle 特性构建并设置以下环境变量来启用加速：

export ENABLE_ICICLE_GPU=true

GPU 加速由 Icicle 提供。

若要回退到使用 CPU 运行，必须 取消设置 之前的环境变量，而不是将其切换为 false 值：

unset ENABLE_ICICLE_GPU

NOTE: 即使设置了上述环境变量，对于 k <= 8 的电路，icicle 也会被禁用。要更改启用 icicle 的 k 值，您可以设置环境变量 ICICLE_SMALL_K。

Contributing 🌎

如果您有兴趣贡献且不确定从哪里开始，请联系以下维护者之一：

• dante (alexander-camuto)
• jason (jasonmorton)

更广泛地说：

• 查看当前开放的问题以获取如何贡献的想法。

• 对于 PR，我们使用 约定式提交 命名约定。

• 要报告错误或请求新功能，请在 Issues 内创建新问题以告知更广泛的社区。

您有意提交纳入本作品的任何贡献，将根据 CLA 中规定的条款和条件授权给 Zkonduit Inc.，您通过有意提交贡献即表示同意。特别是，您有权提交贡献，我们可以分发它，以及其他条款和条件。

Audits & Security

v21.0.0 已由 Trail of Bits 审计，报告可在 此处 找到。

NOTE: 由于操作在从 onnx 文件转换为 zk-circuit 时被量化，python 和 ezkl 的输出可能会有细微差别。

查看 docs/advanced_security 以获取更多关于特定于零知识推理、量化以及一般机器学习模型的潜在威胁向量的高级信息。

无担保

本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于适销性、特定用途适用性及非侵权性担保。在任何情况下，作者或版权持有人均不对任何索赔、损害或其他责任负责，无论是因合同、侵权还是其他原因，或因使用或处理本软件而产生的。

版权所有 (c) 2026 Zkonduit Inc.

ezkl 快速上手指南

环境准备

• 操作系统：Linux / macOS / Windows
• 基础依赖：
  • Rust 及 cargo（构建 CLI 或源码所需）
  • Python 3.x（使用 Python 绑定所需）
• 硬件加速（可选）：
  • NVIDIA GPU（需安装对应驱动）
  • 相关环境变量配置见“基本使用”部分

安装步骤

方式一：Python 库（推荐新手）

直接通过 pip 安装 Python 绑定，适合快速集成到现有 Python 项目中。

# CPU 版本
pip install ezkl

# GPU 版本（需 NVIDIA 显卡）
pip install ezkl-gpu

方式二：命令行工具（CLI）

适合需要更高性能的场景，执行速度通常快于 Python 绑定。

curl https://raw.githubusercontent.com/zkonduit/ezkl/main/install_ezkl_cli.sh | bash

方式三：从源码构建

如需自定义功能或参与开发，可从源码编译。

cargo install --locked --path .

基本使用

ezkl 的核心工作流是将深度学习模型转换为零知识证明电路。

1. 定义模型：使用 PyTorch 或 TensorFlow 定义计算图（神经网络）。
2. 导出文件：将模型导出为 .onnx 文件，并将样本输入保存为 .json 文件。
3. 生成证明：使用 ezkl 处理上述文件，生成 ZK-SNARK 电路以验证推理结果。

运行示例： 官方提供了详细的 Jupyter Notebook 教程，展示了如何训练神经网络并部署链上验证器。

• Google Colab 演示笔记
• 更多示例

GPU 加速配置（可选）： 若使用 NVIDIA GPU 并希望启用 Icicle 加速，请在运行前设置环境变量：

export ENABLE_ICICLE_GPU=true

注意：当 k <= 8 时，Icicle 默认禁用。如需调整阈值，可设置 ICICLE_SMALL_K 环境变量。

---

详细文档请访问：docs.ezkl.xyz