ZK黑客松指南：分析现阶段知名ZKML框架在神经网络上的表现

作为常年参加黑客松的老人，我经常纠结于这次比赛我应该选择一个什么题目才更容易获奖？从去年的 ETH Den 开始，我注意到，与零知识（ZK）相关的赛道越来越多，奖金也越发丰厚，那么问题来了：如何在有限的时间内快速开发一个 ZK 相关的应用程序来赢得奖金呢？

这个问题自从去年我参加了由 ABCDE Capital 举办的 ZK 黑客松之后就一直困扰着我。所以我开始学习与之相关的博客或者项目，我想这些肯定有助于我更深入理解 ZK，也是通过一段时间的搜索和学习，我发现了一个不错的 Repo: awesome zkml——她详细的统计了各种学术上或者工业界的成果并一一进行分类。但由于缺乏真正的应用例子和测试结果，所以帮助其实没有那么大。

因此，为了解决这么个问题，我开发了一套 ZKML 基准测试，项目由以太坊基金会 ESP 赞助（FY23-1290）。该基准测试旨在帮助开发人员了解不同框架之间的性能差异。虽然许多框架都提供自己的基准测试集，但由于影响性能的变量众多，直接比较会变得复杂。所以，我的方法侧重于在所有框架中创建统一的条件，以提供实用和直接的比较。

与 EZKL 团队已经发布的基准测试不同的是，我的测试没有侧重于传统机器学习模型，包括线性回归、随机森林分类等，而是专注于神经网络模型重的 DNN 与 CNN。

基准测试概述

本项目进行了为期数月的广泛测试，评估了 4 个领先的 zkML 框架在 6 种不同 DNN 和 CNN 架构上的表现。通过对每个框架在 2500 个 MNIST 数据集上的细致分析，投入了超过 250 个小时进行设置和证明生成，才完成了这样一份文档。其中详尽结果都被细致地记录在 csv 中。

架构

测试网络由深度神经网络（DNN）组成，每个网络都有一个输入层，后面跟着两个或三个完全连接的密集（Dense）层；以及卷积神经网络（CNN），从多维输入开始，采用 Conv2D 和 AvgPooling2D 层来减少空间维度，然后进行扁平化（flatten）处理。每个模型的命名方式源于其各层的大小，由下划线 (‘_’