PyTorch實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的基本算法FedAvg
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(hù)端，每個(gè)客戶(hù)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(mén)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：
客戶(hù)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(hù)端，這些客戶(hù)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(hù)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(hù)端，進(jìn)行下一輪更新。
3. 客戶(hù)端
客戶(hù)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(hù)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(hù)端。
- E：客戶(hù)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(hù)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(hù)端一共進(jìn)行r輪通信。
- clients：客戶(hù)端集合。
- type：指定數(shù)據(jù)類(lèi)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(hù)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(hù)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(hù)端的序號(hào)。
客戶(hù)端的更新
for k in index:
self.client_update(self.nns[k])
服務(wù)器端匯總客戶(hù)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(lèi)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(hù)端參數(shù)在最終組合時(shí)所占比例。
LA：根據(jù)客戶(hù)端模型的損失占所有客戶(hù)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(hù)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(hù)端
客戶(hù)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(hù)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：
| 客戶(hù)端編號(hào) | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| MAPE / % | 5.33 | 4.11 | 3.03 | 4.20 | 3.02 | 2.70 | 2.94 | 2.99 | 2.30 | 4.10 |
可以看到，由于各個(gè)客戶(hù)端的數(shù)據(jù)都十分充足，所以每個(gè)客戶(hù)端自己訓(xùn)練的本地模型的預(yù)測(cè)精度已經(jīng)很高了。
服務(wù)器與客戶(hù)端通信5輪后，服務(wù)器上的全局模型在10個(gè)客戶(hù)端測(cè)試集上的表現(xiàn)如下所示：
| 客戶(hù)端編號(hào) | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| MAPE / % | 6.84 | 4.54 | 3.56 | 5.11 | 3.75 | 4.47 | 4.30 | 3.90 | 3.15 | 4.58 |
可以看到，經(jīng)過(guò)聯(lián)邦學(xué)習(xí)框架得到全局模型在各個(gè)客戶(hù)端上表現(xiàn)同樣很好ÿ0c;這是因?yàn)槭畟€(gè)地區(qū)上的數(shù)據(jù)分布類(lèi)似。
給出numpy和PyTorch的對(duì)比：
| 客戶(hù)端編號(hào) | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| 本地 | 5.33 | 4.11 | 3.03 | 4.20 | 3.02 | 2.70 | 2.94 | 2.99 | 2.30 | 4.10 |
| numpy | 6.58 | 4.19 | 3.17 | 5.13 | 3.58 | 4.69 | 4.71 | 3.75 | 2.94 | 4.77 |
| PyTorch | 6.84 | 4.54 | 3.56 | 5.11 | 3.75 | 4.47 | 4.30 | 3.90 | 3.15 | 4.58 |
同樣本地模型的效果是最好的，PyTorch搭建的網(wǎng)絡(luò)和numpy搭建的網(wǎng)絡(luò)效果差不多，但推薦使用PyTorch，不要造輪子。
VI. 源碼及數(shù)據(jù)
我把數(shù)據(jù)和代碼放在了GitHub上：源碼及數(shù)據(jù)，原創(chuàng)不易，下載時(shí)請(qǐng)隨手給個(gè)follow和star，感謝！
以上就是PyTorch實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)的基本算法FedAvg的詳細(xì)內(nèi)容，更多關(guān)于PyTorch實(shí)現(xiàn)FedAvg算法的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
使用python-pptx創(chuàng)建PPT演示文檔功能實(shí)踐
這篇文章主要介紹了使用python-pptx創(chuàng)建PPT演示文檔功能實(shí)踐，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-06-06
隊(duì)列是限制在兩端進(jìn)行插入和操作的線性表，允許存入操作的一段叫“隊(duì)尾”，刪除操作的一端叫“隊(duì)頭”，隊(duì)列的特點(diǎn)：隊(duì)列只能在隊(duì)頭和隊(duì)尾進(jìn)行數(shù)據(jù)操作，隊(duì)列模型具有先進(jìn)先出的規(guī)律2023-01-01
Python PyQt5模塊實(shí)現(xiàn)窗口GUI界面代碼實(shí)例
這篇文章主要介紹了Python PyQt5模塊實(shí)現(xiàn)窗口GUI界面代碼實(shí)例,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-05-05
python獲取局域網(wǎng)占帶寬最大3個(gè)ip的方法
這篇文章主要介紹了python獲取局域網(wǎng)占帶寬最大3個(gè)ip的方法,涉及Python解析URL參數(shù)的相關(guān)技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-07-07
這篇文章主要為大家詳細(xì)介紹了如何通過(guò)使用python實(shí)現(xiàn)對(duì)計(jì)算機(jī)攝像頭的調(diào)用從而實(shí)現(xiàn)攝像監(jiān)控的功能，文中的示例代碼講解詳細(xì)，需要的可以參考一下2023-03-03
Python中bytes字節(jié)串和string字符串之間的轉(zhuǎn)換方法
python中字節(jié)字符串不能格式化,獲取到的網(wǎng)頁(yè)有時(shí)候是字節(jié)字符串,需要轉(zhuǎn)化后再解析,下面這篇文章主要給大家介紹了關(guān)于Python中bytes字節(jié)串和string字符串之間的轉(zhuǎn)換方法,需要的朋友可以參考下2022-01-01
這篇文章主要介紹了OpenCV制作Mask圖像掩碼的案例,本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2023-02-02
享元模式是一種結(jié)構(gòu)型設(shè)計(jì)模式,旨在通過(guò)共享盡可能多的相似對(duì)象來(lái)減少內(nèi)存使用,提高性能,下面我們就來(lái)看看如何使用Python實(shí)現(xiàn)享元模式吧2024-02-02
用Python中的wxPython實(shí)現(xiàn)最基本的瀏覽器功能
這篇文章主要介紹了用Python中的wxPython實(shí)現(xiàn)基本的瀏覽器功能,本文來(lái)自于IBM官方網(wǎng)站開(kāi)發(fā)者文檔,需要的朋友可以參考下2015-04-04
在本篇文章里小編給大家整理了關(guān)于Python的缺點(diǎn)和劣勢(shì)總結(jié)，有興趣的朋友們可以學(xué)習(xí)下。2019-11-11