腳本之家服務器常用軟件

快捷導航

PyTorch實現(xiàn)FedProx聯(lián)邦學習算法

更新時間：2022年05月11日 15:40:51 作者：Cyril_KI

這篇文章主要為大家介紹了PyTorch實現(xiàn)FedProx的聯(lián)邦學習算法，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

I. 前言

FedProx的原理請見：FedAvg聯(lián)邦學習FedProx異質網(wǎng)絡優(yōu)化實驗總結

聯(lián)邦學習中存在多個客戶端，每個客戶端都有自己的數(shù)據(jù)集，這個數(shù)據(jù)集他們是不愿意共享的。

數(shù)據(jù)集為某城市十個地區(qū)的風電功率，我們假設這10個地區(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由所有數(shù)據(jù)統(tǒng)一訓練得到的全局模型。

III. FedProx

算法偽代碼：

1. 模型定義

客戶端的模型為一個簡單的四層神經(jīng)網(wǎng)絡模型：

# -*- coding:utf-8 -*-
"""
@Time: 2022/03/03 12:23
@Author: KI
@File: model.py
@Motto: Hungry And Humble
"""
from torch import nn
class ANN(nn.Module):
    def __init__(self, args, name):
        super(ANN, self).__init__()
        self.name = name
        self.len = 0
        self.loss = 0
        self.fc1 = nn.Linear(args.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. 服務器端

服務器端和FedAvg一致，即重復進行客戶端采樣、參數(shù)傳達、參數(shù)聚合三個步驟：

# -*- coding:utf-8 -*-
"""
@Time: 2022/03/03 12:50
@Author: KI
@File: server.py
@Motto: Hungry And Humble
"""
import copy
import random
import numpy as np
import torch
from model import ANN
from client import train, test
class FedProx:
    def __init__(self, args):
        self.args = args
        self.nn = ANN(args=self.args, name='server').to(args.device)
        self.nns = []
        for i in range(self.args.K):
            temp = copy.deepcopy(self.nn)
            temp.name = self.args.clients[i]
            self.nns.append(temp)
    def server(self):
        for t in range(self.args.r):
            print('round', t + 1, ':')
            # sampling
            m = np.max([int(self.args.C * self.args.K), 1])
            index = random.sample(range(0, self.args.K), m)  # st
            # dispatch
            self.dispatch(index)
            # local updating
            self.client_update(index, t)
            # aggregation
            self.aggregation(index)
        return self.nn
    def aggregation(self, index):
        s = 0
        for j in index:
            # normal
            s += self.nns[j].len
        params = {}
        for k, v in self.nns[0].named_parameters():
            params[k] = torch.zeros_like(v.data)
        for j in index:
            for k, v in self.nns[j].named_parameters():
                params[k] += v.data * (self.nns[j].len / s)
        for k, v in self.nn.named_parameters():
            v.data = params[k].data.clone()
    def dispatch(self, index):
        for j in index:
            for old_params, new_params in zip(self.nns[j].parameters(), self.nn.parameters()):
                old_params.data = new_params.data.clone()
    def client_update(self, index, global_round):  # update nn
        for k in index:
            self.nns[k] = train(self.args, self.nns[k], self.nn, global_round)
    def global_test(self):
        model = self.nn
        model.eval()
        for client in self.args.clients:
            model.name = client
            test(self.args, model)

3. 客戶端更新

FedProx中客戶端需要優(yōu)化的函數(shù)為：

作者在FedAvg損失函數(shù)的基礎上，引入了一個proximal term，我們可以稱之為近端項。引入近端項后，客戶端在本地訓練后得到的模型參數(shù) w將不會與初始時的服務器參數(shù)wt偏離太多。

對應的代碼為：

def train(args, model, server, global_round):
    model.train()
    Dtr, Dte = nn_seq_wind(model.name, args.B)
    model.len = len(Dtr)
    global_model = copy.deepcopy(server)
    if args.weight_decay != 0:
        lr = args.lr * pow(args.weight_decay, global_round)
    else:
        lr = args.lr
    if args.optimizer == 'adam':
        optimizer = torch.optim.Adam(model.parameters(), lr=lr,
                                     weight_decay=args.weight_decay)
    else:
        optimizer = torch.optim.SGD(model.parameters(), lr=lr,
                                    momentum=0.9, weight_decay=args.weight_decay)
    print('training...')
    loss_function = nn.MSELoss().to(args.device)
    loss = 0
    for epoch in range(args.E):
        for (seq, label) in Dtr:
            seq = seq.to(args.device)
            label = label.to(args.device)
            y_pred = model(seq)
            optimizer.zero_grad()
            # compute proximal_term
            proximal_term = 0.0
            for w, w_t in zip(model.parameters(), global_model.parameters()):
                proximal_term += (w - w_t).norm(2)
            loss = loss_function(y_pred, label) + (args.mu / 2) * proximal_term
            loss.backward()
            optimizer.step()
        print('epoch', epoch, ':', loss.item())
    return model

我們在原有MSE損失函數(shù)的基礎上加上了一個近端項：

for w, w_t in zip(model.parameters(), global_model.parameters()):
    proximal_term += (w - w_t).norm(2)

然后再反向傳播求梯度，然后優(yōu)化器step更新參數(shù)。

原始論文中還提出了一個不精確解的概念：

不過值得注意的是，我并沒有在原始論文的實驗部分找到如何選擇 γ \gamma γ的說明。查了一下資料后發(fā)現(xiàn)是涉及到了近端梯度下降的知識，本文代碼并沒有考慮不精確解，后期可能會補上。

IV. 完整代碼

鏈接：https://pan.baidu.com/s/1hj2EOcqIUmM-C6R1cyjE5Q

提取碼：fghp

項目結構：

其中：

server.py為服務器端操作。
client.py為客戶端操作。
data_process.py為數(shù)據(jù)處理部分。
model.py為模型定義文件。
args.py為參數(shù)定義文件。
main.py為主文件，如想要運行此項目可直接運行：

python main.py

以上就是PyTorch實現(xiàn)FedProx的聯(lián)邦學習算法的詳細內容，更多關于PyTorch實現(xiàn)FedProx算法的資料請關注腳本之家其它相關文章！

您可能感興趣的文章:

最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

PyTorch實現(xiàn)FedProx聯(lián)邦學習算法

目錄

I. 前言

III. FedProx

1. 模型定義

2. 服務器端

3. 客戶端更新

IV. 完整代碼

相關文章

最新評論

大家感興趣的內容

最近更新的內容

常用在線小工具