PyTorch實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的基本算法FedAvg

更新時(shí)間：2022年05月11日 14:02:29 作者：Cyril_KI

這篇文章主要為大家介紹了PyTorch實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的基本算法FedAvg，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

I. 前言

在之前的一篇博客聯(lián)邦學(xué)習(xí)基本算法FedAvg的代碼實(shí)現(xiàn)中利用numpy手搭神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了FedAvg，手搭的神經(jīng)網(wǎng)絡(luò)效果已經(jīng)很好了，不過(guò)這還是屬于自己造輪子，建議優(yōu)先使用PyTorch來(lái)實(shí)現(xiàn)。

II. 數(shù)據(jù)介紹

聯(lián)邦學(xué)習(xí)中存在多個(gè)客戶端，每個(gè)客戶端都有自己的數(shù)據(jù)集，這個(gè)數(shù)據(jù)集他們是不愿意共享的。

本文選用的數(shù)據(jù)集為中國(guó)北方某城市十個(gè)區(qū)/縣從2016年到2019年三年的真實(shí)用電負(fù)荷數(shù)據(jù)，采集時(shí)間間隔為1小時(shí)，即每一天都有24個(gè)負(fù)荷值。

我們假設(shè)這10個(gè)地區(qū)的電力部門不愿意共享自己的數(shù)據(jù)，但是他們又想得到一個(gè)由所有數(shù)據(jù)統(tǒng)一訓(xùn)練得到的全局模型。

除了電力負(fù)荷數(shù)據(jù)以外，還有一個(gè)備選數(shù)據(jù)集：風(fēng)功率數(shù)據(jù)集。兩個(gè)數(shù)據(jù)集通過(guò)參數(shù)type指定：type == 'load’表示負(fù)荷數(shù)據(jù)，'wind’表示風(fēng)功率數(shù)據(jù)。

特征構(gòu)造

用某一時(shí)刻前24個(gè)時(shí)刻的負(fù)荷值以及該時(shí)刻的相關(guān)氣象數(shù)據(jù)（如溫度、濕度、壓強(qiáng)等）來(lái)預(yù)測(cè)該時(shí)刻的負(fù)荷值。

對(duì)于風(fēng)功率數(shù)據(jù)，同樣使用某一時(shí)刻前24個(gè)時(shí)刻的風(fēng)功率值以及該時(shí)刻的相關(guān)氣象數(shù)據(jù)來(lái)預(yù)測(cè)該時(shí)刻的風(fēng)功率值。

各個(gè)地區(qū)應(yīng)該就如何制定特征集達(dá)成一致意見(jiàn)，本文使用的各個(gè)地區(qū)上的數(shù)據(jù)的特征是一致的，可以直接使用。

III. 聯(lián)邦學(xué)習(xí)

1. 整體框架

原始論文中提出的FedAvg的框架為：

在這里插入圖片描述

客戶端模型采用PyTorch搭建：

class ANN(nn.Module):
    def __init__(self, input_dim, name, B, E, type, lr):
        super(ANN, self).__init__()
        self.name = name
        self.B = B
        self.E = E
        self.len = 0
        self.type = type
        self.lr = lr
        self.loss = 0
        self.fc1 = nn.Linear(input_dim, 20)
        self.relu = nn.ReLU()
        self.sigmoid = nn.Sigmoid()
        self.dropout = nn.Dropout()
        self.fc2 = nn.Linear(20, 20)
        self.fc3 = nn.Linear(20, 20)
        self.fc4 = nn.Linear(20, 1)
    def forward(self, data):
        x = self.fc1(data)
        x = self.sigmoid(x)
        x = self.fc2(x)
        x = self.sigmoid(x)
        x = self.fc3(x)
        x = self.sigmoid(x)
        x = self.fc4(x)
        x = self.sigmoid(x)
        return x

2. 服務(wù)器端

服務(wù)器端執(zhí)行以下步驟：

簡(jiǎn)單來(lái)說(shuō)，每一輪通信時(shí)都只是選擇部分客戶端，這些客戶端利用本地的數(shù)據(jù)進(jìn)行參數(shù)更新，然后將更新后的參數(shù)傳給服務(wù)器，服務(wù)器匯總客戶端更新后的參數(shù)形成最新的全局參數(shù)。下一輪通信時(shí)，服務(wù)器端將最新的參數(shù)分發(fā)給被選中的客戶端，進(jìn)行下一輪更新。

3. 客戶端

客戶端沒(méi)什么可說(shuō)的，就是利用本地?cái)?shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行更新。

IV. 代碼實(shí)現(xiàn)

1. 初始化

class FedAvg:
    def __init__(self, options):
        self.C = options['C']
        self.E = options['E']
        self.B = options['B']
        self.K = options['K']
        self.r = options['r']
        self.input_dim = options['input_dim']
        self.type = options['type']
        self.lr = options['lr']
        self.clients = options['clients']
        self.nn = ANN(input_dim=self.input_dim, name='server', B=B, E=E, type=self.type, lr=self.lr).to(device)
        self.nns = []
        for i in range(K):
            temp = copy.deepcopy(self.nn)
            temp.name = self.clients[i]
            self.nns.append(temp)

參數(shù)：

K，客戶端數(shù)量，本文為10個(gè)，也就是10個(gè)地區(qū)。
C：選擇率，每一輪通信時(shí)都只是選擇C * K個(gè)客戶端。
E：客戶端更新本地模型的參數(shù)時(shí)，在本地?cái)?shù)據(jù)集上訓(xùn)練E輪。
B：客戶端更新本地模型的參數(shù)時(shí)，本地?cái)?shù)據(jù)集batch大小為B
r：服務(wù)器端和客戶端一共進(jìn)行r輪通信。
clients：客戶端集合。
type：指定數(shù)據(jù)類型，負(fù)荷預(yù)測(cè)or風(fēng)功率預(yù)測(cè)。
lr：學(xué)習(xí)率。
input_dim：數(shù)據(jù)輸入維度。
nn：全局模型。
nns：客戶端模型集合。

2. 服務(wù)器端

服務(wù)器端代碼如下：

def server(self):
     for t in range(self.r):
          print('第', t + 1, '輪通信:')
          m = np.max([int(self.C * self.K), 1])
          # sampling
          index = random.sample(range(0, self.K), m)
          # dispatch
          self.dispatch(index)
          # local updating
          self.client_update(index)
          # aggregation
          self.aggregation(index)
     # return global model
     return self.nn

其中client_update(index)：

def client_update(self, index):  # update nn
     for k in index:
          self.nns[k] = train(self.nns[k])

aggregation(index):

def aggregation(self, index):
     s = 0
     for j in index:
          # normal
          s += self.nns[j].len
     params = {}
     with torch.no_grad():
          for k, v in self.nns[0].named_parameters():
               params[k] = copy.deepcopy(v)
               params[k].zero_()
     for j in index:
          with torch.no_grad():
               for k, v in self.nns[j].named_parameters():
                    params[k] += v * (self.nns[j].len / s)
     with torch.no_grad():
          for k, v in self.nn.named_parameters():
               v.copy_(params[k])

dispatch(index)：

def dispatch(self, index):
     params = {}
     with torch.no_grad():
          for k, v in self.nn.named_parameters():
               params[k] = copy.deepcopy(v)
     for j in index:
          with torch.no_grad():
               for k, v in self.nns[j].named_parameters():
                    v.copy_(params[k])

下面對(duì)重要代碼進(jìn)行分析：

客戶端的選擇

m = np.max([int(self.C * self.K), 1])
index = random.sample(range(0, self.K), m)

index中存儲(chǔ)中m個(gè)0~10間的整數(shù)，表示被選中客戶端的序號(hào)。

客戶端的更新

for k in index:
    self.client_update(self.nns[k])

服務(wù)器端匯總客戶端模型的參數(shù)

關(guān)于模型匯總方式，可以參考一下我的另一篇文章：對(duì)FedAvg中模型聚合過(guò)程的理解。

當(dāng)然，這只是一種很簡(jiǎn)單的匯總方式，還有一些其他類型的匯總方式。

論文Electricity Consumer Characteristics Identification: A Federated Learning Approach中總結(jié)了三種匯總方式：

normal：原始論文中的方式，即根據(jù)樣本數(shù)量來(lái)決定客戶端參數(shù)在最終組合時(shí)所占比例。

LA：根據(jù)客戶端模型的損失占所有客戶端損失和的比重來(lái)決定最終組合時(shí)參數(shù)所占比例。

LS：根據(jù)損失與樣本數(shù)量的乘積所占的比重來(lái)決定。將更新后的參數(shù)分發(fā)給被選中的客戶端

def dispatch(self, index):
     params = {}
     with torch.no_grad():
          for k, v in self.nn.named_parameters():
               params[k] = copy.deepcopy(v)
     for j in index:
          with torch.no_grad():
               for k, v in self.nns[j].named_parameters():
                    v.copy_(params[k])

3. 客戶端

客戶端只需要利用本地?cái)?shù)據(jù)來(lái)進(jìn)行更新就行了：

def client_update(self, index):  # update nn
     for k in index:
          self.nns[k] = train(self.nns[k])

其中train():

def train(ann):
    ann.train()
    # print(p)
    if ann.type == 'load':
        Dtr, Dte = nn_seq(ann.name, ann.B, ann.type)
    else:
        Dtr, Dte = nn_seq_wind(ann.named, ann.B, ann.type)
    ann.len = len(Dtr)
    # print(len(Dtr))
    loss_function = nn.MSELoss().to(device)
    loss = 0
    optimizer = torch.optim.Adam(ann.parameters(), lr=ann.lr)
    for epoch in range(ann.E):
        cnt = 0
        for (seq, label) in Dtr:
            cnt += 1
            seq = seq.to(device)
            label = label.to(device)
            y_pred = ann(seq)
            loss = loss_function(y_pred, label)
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        print('epoch', epoch, ':', loss.item())
    return ann

4. 測(cè)試

def global_test(self):
     model = self.nn
     model.eval()
     c = clients if self.type == 'load' else clients_wind
     for client in c:
          model.name = client
          test(model)

V. 實(shí)驗(yàn)及結(jié)果

本次實(shí)驗(yàn)的參數(shù)選擇為：

K	C	E	B	r
10	0.5	50	50	5

if __name__ == '__main__':
    K, C, E, B, r = 10, 0.5, 50, 50, 5
    type = 'load'
    input_dim = 30 if type == 'load' else 28
    _client = clients if type == 'load' else clients_wind
    lr = 0.08
    options = {'K': K, 'C': C, 'E': E, 'B': B, 'r': r, 'type': type, 'clients': _client,
               'input_dim': input_dim, 'lr': lr}
    fedavg = FedAvg(options)
    fedavg.server()
    fedavg.global_test()

各個(gè)客戶端單獨(dú)訓(xùn)練（訓(xùn)練50輪，batch大小為50）后在本地的測(cè)試集上的表現(xiàn)為：