PyTorch實現(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的代碼實現(xiàn)中利用numpy手搭神經(jīng)網(wǎng)絡(luò)實現(xiàn)了FedAvg，手搭的神經(jīng)網(wǎng)絡(luò)效果已經(jīng)很好了，不過這還是屬于自己造輪子，建議優(yōu)先使用PyTorch來實現(xiàn)。
II. 數(shù)據(jù)介紹
聯(lián)邦學(xué)習(xí)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(xùn)練得到的全局模型。
除了電力負荷數(shù)據(jù)以外，還有一個備選數(shù)據(jù)集：風(fēng)功率數(shù)據(jù)集。兩個數(shù)據(jù)集通過參數(shù)type指定：type == 'load’表示負荷數(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(yù)測該時刻的負荷值。
對于風(fēng)功率數(shù)據(jù)，同樣使用某一時刻前24個時刻的風(fēng)功率值以及該時刻的相關(guān)氣象數(shù)據(jù)來預(yù)測該時刻的風(fēng)功率值。
各個地區(qū)應(yīng)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(xué)習(xí)
1. 整體框架
原始論文中提出的FedAvg的框架為：
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。
IV. 代碼實現(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，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(xùn)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(yù)測or風(fēng)功率預(yù)測。
- 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(dāng)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(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 = {'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(xùn)練（訓(xùn)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 / % | 5.33 | 4.11 | 3.03 | 4.20 | 3.02 | 2.70 | 2.94 | 2.99 | 2.30 | 4.10 |
可以看到，由于各個客戶端的數(shù)據(jù)都十分充足，所以每個客戶端自己訓(xùn)練的本地模型的預(yù)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 / % | 6.84 | 4.54 | 3.56 | 5.11 | 3.75 | 4.47 | 4.30 | 3.90 | 3.15 | 4.58 |
可以看到，經(jīng)過聯(lián)邦學(xué)習(xí)框架得到全局模型在各個客戶端上表現(xiàn)同樣很好ÿ0c;這是因為十個地區(qū)上的數(shù)據(jù)分布類似。
給出numpy和PyTorch的對比：
| 客戶端編號 | 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，下載時請隨手給個follow和star，感謝！
以上就是PyTorch實現(xiàn)聯(lián)邦學(xué)習(xí)的基本算法FedAvg的詳細內(nèi)容，更多關(guān)于PyTorch實現(xiàn)FedAvg算法的資料請關(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演示文檔功能實踐，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-06-06
隊列是限制在兩端進行插入和操作的線性表，允許存入操作的一段叫“隊尾”，刪除操作的一端叫“隊頭”，隊列的特點：隊列只能在隊頭和隊尾進行數(shù)據(jù)操作，隊列模型具有先進先出的規(guī)律2023-01-01
Python PyQt5模塊實現(xiàn)窗口GUI界面代碼實例
這篇文章主要介紹了Python PyQt5模塊實現(xiàn)窗口GUI界面代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-05-05
這篇文章主要介紹了python獲取局域網(wǎng)占帶寬最大3個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介紹了如何通過使用python實現(xiàn)對計算機攝像頭的調(diào)用從而實現(xiàn)攝像監(jiān)控的功能，文中的示例代碼講解詳細，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)頁有時候是字節(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,本文通過實例代碼給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，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)計模式,旨在通過共享盡可能多的相似對象來減少內(nèi)存使用,提高性能,下面我們就來看看如何使用Python實現(xiàn)享元模式吧2024-02-02
用Python中的wxPython實現(xiàn)最基本的瀏覽器功能
這篇文章主要介紹了用Python中的wxPython實現(xiàn)基本的瀏覽器功能,本文來自于IBM官方網(wǎng)站開發(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的缺點和劣勢總結(jié)，有興趣的朋友們可以學(xué)習(xí)下。2019-11-11