聯(lián)邦學習神經(jīng)網(wǎng)絡(luò)FedAvg算法實現(xiàn)

更新時間：2022年05月11日 11:49:05 作者：Cyril_KI

這篇文章主要為大家介紹了聯(lián)邦學習神經(jīng)網(wǎng)絡(luò)FedAvg算法實現(xiàn)，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

聯(lián)邦學習(Federated Learning) 是人工智能的一個新的分支，這項技術(shù)是谷歌2016年于論文

Communication-Efficient Learning of Deep Networks from Decentralized Data中首次提出。

在我的另一篇博文聯(lián)邦學習:《Communication-Efficient Learning of Deep Networks from Decentralized Data中詳細解析了該篇論文，而本篇博文的目的是利用這篇解讀文章對原始論文中的FedAvg方法進行復現(xiàn)。

因此，閱讀本文前建議先閱讀聯(lián)邦學習:《Communication-Efficient Learning of Deep Networks from Decentralized Data。

II. 數(shù)據(jù)介紹

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。

本文選用的數(shù)據(jù)集為中國北方某城市十個區(qū)/縣從2016年到2019年三年的真實用電負荷數(shù)據(jù)，采集時間間隔為1小時，即每一天都有24個負荷值。

我們假設(shè)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。

除了電力負荷數(shù)據(jù)意外，還有風功率數(shù)據(jù)，兩個數(shù)據(jù)通過參數(shù)type指定：type == 'load’表示負荷數(shù)據(jù)，'wind’表示風功率數(shù)據(jù)。

1. 特征構(gòu)造

用某一時刻前24個時刻的負荷值以及該時刻的相關(guān)氣象數(shù)據(jù)（如溫度、濕度、壓強等）來預測該時刻的負荷值。

對于風功率數(shù)據(jù)，同樣使用某一時刻前24個時刻的風功率值以及該時刻的相關(guān)氣象數(shù)據(jù)來預測該時刻的風功率值。

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

III. 聯(lián)邦學習

1. 整體框架

原始論文中提出的FedAvg的框架為：

由于本文中需要利用各個客戶端的模型參數(shù)來對服務(wù)器端的模型參數(shù)進行更新，因此本文決定采用numpy搭建一個四層的神經(jīng)網(wǎng)絡(luò)模型。模型的具體搭建過程可以參考上一篇博文：從矩陣鏈式求導的角度來深入理解BP算法（原理+代碼）。在這篇博文里面我詳細得介紹了神經(jīng)網(wǎng)絡(luò)參數(shù)更新的過程，這將有助于理解本文中的模型參數(shù)更新過程。

神經(jīng)網(wǎng)絡(luò)由1個輸入層、3個隱藏層以及1個輸出層組成，激活函數(shù)全部采用Sigmoid函數(shù)。

網(wǎng)絡(luò)各層間的運算關(guān)系，也就是前向傳播過程如下所示：

因此，客戶端參數(shù)更新實際上就是更新四個 w。

2. 服務(wù)器端

服務(wù)器端執(zhí)行以下步驟：

簡單來說，每一輪通信時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，服務(wù)器端將最新的參數(shù)分發(fā)給被選中的客戶端，進行下一輪更新。

3. 客戶端

客戶端沒什么可說的，就是利用本地數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進行更新。

4. 代碼實現(xiàn)

4.1 初始化

參數(shù)：

K，客戶端數(shù)量，本文為10個，也就是10個地區(qū)。
C：選擇率，每一輪通信時都只是選擇C * K個客戶端。
E：客戶端更新本地模型的參數(shù)時，在本地數(shù)據(jù)集上訓練E輪。
B：客戶端更新本地模型的參數(shù)時，本地數(shù)據(jù)集batch大小為B
r：服務(wù)器端和客戶端一共進行r輪通信。
clients：客戶端集合。
type：指定數(shù)據(jù)類型，負荷預測or風功率預測。
lr：學習率。
input_dim：數(shù)據(jù)輸入維度。
nn：全局模型。
nns：客戶端模型集合。

代碼實現(xiàn)：

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.clients = options['clients']
        self.type = options['type']
        self.lr = options['lr']
        self.input_dim = options['input_dim']
        self.nn = BP(file_name='server', B=B, E=E, input_dim=self.input_dim, type=self.type, lr=self.lr)
        self.nns = []
        # distribution
        for i in range(self.K):
            s = copy.deepcopy(self.nn)
            s.file_name = self.clients[i]
            self.nns.append(s)

其中 self.nn是服務(wù)器端初始化的全局參數(shù)，由于服務(wù)器端不需要進行反向傳播更新參數(shù)，因此不需要定義各個隱層以及輸出。

4.2 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):
     # update w
     s = 0
     for j in index:
          # normal
          s += self.nns[j].len
          
     w1 = np.zeros_like(self.nn.w1)
     w2 = np.zeros_like(self.nn.w2)
     w3 = np.zeros_like(self.nn.w3)
     w4 = np.zeros_like(self.nn.w4)
     
     for j in index:
          # normal
          w1 += self.nns[j].w1 * (self.nns[j].len / s)
          w2 += self.nns[j].w2 * (self.nns[j].len / s)
          w3 += self.nns[j].w3 * (self.nns[j].len / s)
          w4 += self.nns[j].w4 * (self.nns[j].len / s)
     # update server
     self.nn.w1, self.nn.w2, self.nn.w3, self.nn.w4 = w1, w2, w3, w4

dispatch(index)：

def aggregation(self, index):
     # update w
     s = 0
     for j in index:
          # normal
          s += self.nns[j].len
          
     w1 = np.zeros_like(self.nn.w1)
     w2 = np.zeros_like(self.nn.w2)
     w3 = np.zeros_like(self.nn.w3)
     w4 = np.zeros_like(self.nn.w4)
     
     for j in index:
          # normal
          w1 += self.nns[j].w1 * (self.nns[j].len / s)
          w2 += self.nns[j].w2 * (self.nns[j].len / s)
          w3 += self.nns[j].w3 * (self.nns[j].len / s)
          w4 += self.nns[j].w4 * (self.nns[j].len / s)
     # update server
     self.nn.w1, self.nn.w2, self.nn.w3, self.nn.w4 = w1, w2, w3, w4

下面對重要代碼進行分析：

客戶端的選擇

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

index中存儲中m個0~10間的整數(shù)，表示被選中客戶端的序號。

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FedAvg中模型聚合過程的理解。

當然，這只是一種很簡單的匯總方式，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)量來決定客戶端參數(shù)在最終組合時所占比例。
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決定最終組合時參數(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決定。

將更新后的參數(shù)分發(fā)給客戶端

def dispatch(self, inidex):
     # dispatch
     for i in index:
          self.nns[i].w1, self.nns[i].w2, self.nns[i].w3, self.nns[
               i].w4 = self.nn.w1, self.nn.w2, self.nn.w3, self.nn.w4

4.3 客戶端

客戶端只需要利用本地數(shù)據(jù)來進行更新就行了：

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

其中train():

def train(nn):
    print('training...')
    if nn.type == 'load':
        train_x, train_y, test_x, test_y = nn_seq(nn.file_name, nn.B, nn.type)
    else:
        train_x, train_y, test_x, test_y = nn_seq_wind(nn.file_name, nn.B, nn.type)
    nn.len = len(train_x)
    batch_size = nn.B
    epochs = nn.E
    batch = int(len(train_x) / batch_size)
    for epoch in range(epochs):
        for i in range(batch):
            start = i * batch_size
            end = start + batch_size
            nn.forward_prop(train_x[start:end], train_y[start:end])
            nn.backward_prop(train_y[start:end])
        print('當前epoch:', epoch, ' error:', np.mean(nn.loss))
    return nn

4.4 測試

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

IV. 實驗及結(jié)果

本次實驗的參數(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 = {<!--{C}%3C!%2D%2D%20%2D%2D%3E-->'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()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()

各個客戶端單獨訓練（訓練50輪，batch大小為50）后在本地的測試集上的表現(xiàn)為：

客戶端編號	1	2	3	4	5	6	7	8	9	10
MAPE / %	5.79	6.73	6.18	5.82	5.49	4.55	6.23	9.59	4.84	5.49

可以看到，由于各個客戶端的數(shù)據(jù)都十分充足，所以每個客戶端自己訓練的本地模型的預測精度已經(jīng)很高了。

服務(wù)器與客戶端通信5輪后，服務(wù)器上的全局模型在10個客戶端測試集上的表現(xiàn)如下所示：

客戶端編號	1	2	3	4	5	6	7	8	9	10
MAPE / %	6.58	4.19	3.17	5.13	3.58	4.69	4.71	3.75	2.94	4.77

可以看到，經(jīng)過聯(lián)邦學習框架得到全局模型在各個客戶端上表現(xiàn)同樣很好，這是因為十個地區(qū)上的數(shù)據(jù)是獨立同分布的。

V. 源碼及數(shù)據(jù)

我把數(shù)據(jù)和代碼放在了GitHub上：FedAvg

以上就是聯(lián)邦學習神經(jīng)網(wǎng)絡(luò)FedAvg算法實現(xiàn)的詳細內(nèi)容，更多關(guān)于神經(jīng)網(wǎng)絡(luò)FedAvg算法的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

軟件下載

源碼下載

軟件編程

網(wǎng)絡(luò)編程

在線工具

數(shù)據(jù)庫

CMS

常用工具