做问卷比较好的网站,广州市天河区建设局官方网站,如何做网页推广的网页,南京哪个网站建设比较好1. 目的
用于记录自己在手写联邦学习相关实验时碰到的一些问题#xff0c;方便自己进行回顾。
2. 代码
2.1 本地模型计算梯度更新
# 比较训练前后的参数变化
def compare_weights(new_model, old_model):weight_updates {}for layer_name, params in new_model.state_dic…1. 目的
用于记录自己在手写联邦学习相关实验时碰到的一些问题方便自己进行回顾。
2. 代码
2.1 本地模型计算梯度更新
# 比较训练前后的参数变化
def compare_weights(new_model, old_model):weight_updates {}for layer_name, params in new_model.state_dict().items():weight_updates[layer_name] params - old_model.state_dict().get(layer_name)return weight_updates测试代码如下 有意思的点在于我获得了update model2-model1 但是我去计算model1updatemodel2的时候发现不相等 最后思考了一下可能是在这个计算的过程中存在精度的丢失
import torch
from torch import nn
from torchvision import transforms, datasets, models
from torch.utils.data import DataLoaderdef weight_init(m):if isinstance(m, nn.Linear):nn.init.xavier_normal_(m.weight)nn.init.constant_(m.bias, 0)# 也可以判断是否为conv2d使用相应的初始化方式elif isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight, modefan_out, nonlinearityrelu)# 是否为批归一化层elif isinstance(m, nn.BatchNorm2d):nn.init.constant_(m.weight, 1)nn.init.constant_(m.bias, 0)if __name__ __main__:# 建立model1和model2作为训练前后的模型model1 models.get_model(resnet18)model1.apply(weight_init)model2 models.get_model(resnet18)model2.apply(weight_init)weight_updates compare_weights(model2,model1)# 创建一个临时的模型状态字典用于存储更新后的参数updated_params model1.state_dict().copy()for layer_name, update in weight_updates.items():# 确保该层存在于model1中且形状匹配避免错误if layer_name in updated_params and update.shape updated_params[layer_name].shape:# 直接相加更新参数updated_params[layer_name] updateelse:print(fWarning: Layer {layer_name} not found or shape mismatch, skipping update.)# 将更新后的参数加载回model1model1.load_state_dict(updated_params)for layer_name,params in model1.state_dict().items():ts params-model2.state_dict().get(layer_name)# 很重要这里应该是我们在做的时候会有一点模型精度上的损失所以不能够计算这里等于0if torch.sum(ts).item()1e-6:print(f{layer_name}更新后与原有的不匹配差距为)else:print(f{layer_name}更新后与原有的匹配)2.2 客户端代码
import numpy as np
import torch.utils.data
from tqdm import tqdm
conf 配置文件
model 模型
train_dataset 数据集
class_ratios 从数据集中筛选出一部分 class_ratios {0: 0.5, 1: 0.5,..., 8: 0.5, 9: 0.5}
id 客户端的标识
class Client(object):def __init__(self,conf,model,device,train_loader,id1):self.client_id id # 客户端IDself.conf conf # 配置文件self.local_model model # 客户端本地模型self.train_loader train_loader # 训练数据的迭代器需要训练的数据已经在里面了self.grad_update dict() # 本地训练完之后的梯度更新self.weight conf[weight] # 全局模型梯度更新时的权重self.device device # 训练的设备self.local_model.to(self.device) # 将模型放入训练设备def train(self, model):self._before_train(model)self._local_train()self._after_train(model)def _before_train(self, model):self._load_global_model(model)# 用服务器模型来覆盖本地模型def _load_global_model(self,model):for name,param in model.state_dict().items():# 客户端首先用服务器端下发的全局模型覆盖本地模型self.local_model.state_dict()[name].copy_(param.clone())def _local_train(self):# 定义最优化函数器用于本地模型训练optimizer torch.optim.SGD(self.local_model.parameters(),lrself.conf[lr],momentumself.conf[momentum])# 本地模型训练self.local_model.train()loss 0for epoch in range(self.conf[local_epochs]):for batch in tqdm(self.train_loader, descfEpoch {epoch 1}/{self.conf[local_epochs]}):data, target batch# 放入相应的设备data data.to(self.device)target target.to(self.device)# 梯度清零optimizer.zero_grad()output self.local_model(data)loss torch.nn.functional.cross_entropy(output, target)# 反向传播loss.backward()optimizer.step()print(fClient{self.client_id}----Epoch {epoch} done.Loss {loss})def _after_train(self,model):self._cal_update_weights(model)def _cal_update_weights(self, old_model):weight_updates dict()for layer_name, params in self.local_model.state_dict().items():weight_updates[layer_name] params - old_model.state_dict().get(layer_name)# 更新梯度模型的权重self.grad_update weight_updates2.3 服务器代码
import torch.utils.data
import torchvision.datasets as datasets
from torchvision import models
from torchvision.transforms import transformsfrom utils.CommonUtils import copy_model_params# 服务端
class Server(object):def __init__(self, conf, eval_dataset, device):self.conf conf# 全局老模型self.old_model models.get_model(self.conf[model_name])# 全局的新模型self.global_model models.get_model(self.conf[model_name])# 创建时保持新老模型的参数是一致的copy_model_params(self.old_model,self.global_model)# 根据客户端上传的梯度进行排列组合用于测量贡献度的模型self.sub_model models.get_model(self.conf[model_name])self.eval_loader torch.utils.data.DataLoader(eval_dataset,batch_sizeself.conf[batch_size],shuffleTrue)self.accuracy_history [] # 保存accuracy的数组self.loss_history [] # 保存loss的数组self.device deviceself.old_model.to(device)self.global_model.to(device)self.sub_model.to(device)# 模型重构def model_aggregate(self, clients, target_model):if target_model self.global_model:print(全局模型更新)# 更新一下老模型参数copy_model_params(self.old_model,self.global_model)else:print(子模型重构)sum_weight 0# 计算总的权重for client in clients:sum_weight client.weight# 将old_model的模型参数赋值给sub_modelcopy_model_params(self.sub_model, self.old_model)# 初始化一个空字典来累积客户端的模型更新aggregated_updates {}# 遍历每个客户端for client in clients:# 根据客户端的权重比例聚合更新for name, update in client.grad_update.items():if name not in aggregated_updates:aggregated_updates[name] update * client.weight / sum_weightelse:aggregated_updates[name] update * client.weight / sum_weight# 应用聚合后的更新到sub_modelfor name, param in target_model.state_dict().items():if name in aggregated_updates:param.copy_(param aggregated_updates[name]) # 累加更新到当前层参数上# 定义模型评估函数def model_eval(self,target_model):target_model.eval()total_loss 0.0correct 0dataset_size 0for batch_id,batch in enumerate(self.eval_loader):data,target batchdataset_size data.size()[0]# 放入和模型对应的设备data data.to(self.device)target target.to(self.device)# 模型预测output target_model(data)# 把损失值聚合起来total_loss torch.nn.functional.cross_entropy(output,target,reductionsum).item()# 获取最大的对数概率的索引值pred output.data.max(1)[1]correct pred.eq(target.data.view_as(pred)).cpu().sum().item()# 计算准确率acc 100.0 * (float(correct) / float(dataset_size))# 计算损失值total_l total_loss / dataset_size# 将accuracy和loss保存到数组中self.accuracy_history.append(acc)self.loss_history.append(total_l)if target_model self.global_model:print(f全局模型评估acc:{acc} loss:{total_l})else:print(f子模型评估acc:{acc} loss:{total_l})return acc,total_ldef save_results_to_file(self):# 将accuracy和loss保存到文件中with open(fed_accuracy_history.txt, w) as f:for acc in self.accuracy_history:f.write({:.2f}\n.format(acc))with open(fed_loss_history.txt, w) as f:for loss in self.loss_history:f.write({:.4f}\n.format(loss))2.4 Utils
def copy_model_params(target_model, source_model):for name, param in source_model.state_dict().items():target_model.state_dict()[name].copy_(param.clone())3. 运行测试代码
import jsonimport torch
from torch import nn
from torch.utils.data import DataLoader, Subset
from torchvision import models
from torchvision import transforms, datasets
from client.Client import Client
from server.Server import Serverwith open(../conf/client1.json,r) as f:conf json.load(f)with open(../conf/server1.json,r) as f:serverConf json.load(f)transform transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])train_dataset datasets.CIFAR10(root../data/, trainTrue, downloadTrue,transformtransform)
eval_dataset datasets.CIFAR10(root../data/, trainFalse, downloadTrue,transformtransform)# train_loader DataLoader(train_dataset, shuffleTrue, batch_size32, num_workers2)# 计算数据集长度
total_samples len(train_dataset)
# 确保可以平均分配否则需要调整逻辑以处理余数
assert total_samples % 2 0, 数据集样本数需为偶数以便完全平分# 分割点
split_point total_samples // 2# 创建两个子集
train_dataset_first_half Subset(train_dataset, range(0, split_point))
train_dataset_second_half Subset(train_dataset, range(split_point, total_samples))# 然后为每个子集创建DataLoader
batch_size 32train_loader_first_half DataLoader(train_dataset_first_half, shuffleTrue, batch_sizebatch_size, num_workers2)
train_loader_second_half DataLoader(train_dataset_second_half, shuffleTrue, batch_sizebatch_size, num_workers2)# 检查CUDA是否可用
if torch.cuda.is_available():device torch.device(cuda) # 如果CUDA可用选择GPU
else:device torch.device(cpu) # 如果CUDA不可用选择CPUlocal_model models.get_model(resnet18)
local_model2 models.get_model(resnet18)server Server(serverConf,eval_dataset,device)
client1 Client(conf, local_model, device,train_loader_first_half, 1)
client2 Client(conf, local_model2, device,train_loader_second_half, 2)
for i in range(2):client1.train(server.global_model)client2.train(server.global_model)server.model_aggregate([client1,client2], server.global_model)server.model_eval(server.global_model)server.model_aggregate([client1], server.sub_model)server.model_eval(server.sub_model)server.model_aggregate([client2], server.sub_model)server.model_eval(server.sub_model) 文章转载自： http://www.morning.ddtdy.cn.gov.cn.ddtdy.cn http://www.morning.mtbth.cn.gov.cn.mtbth.cn http://www.morning.sfwcx.cn.gov.cn.sfwcx.cn http://www.morning.dfrenti.com.gov.cn.dfrenti.com http://www.morning.cnlmp.cn.gov.cn.cnlmp.cn http://www.morning.qxrct.cn.gov.cn.qxrct.cn http://www.morning.drhnj.cn.gov.cn.drhnj.cn http://www.morning.zfwjh.cn.gov.cn.zfwjh.cn http://www.morning.hlshn.cn.gov.cn.hlshn.cn http://www.morning.rttxx.cn.gov.cn.rttxx.cn http://www.morning.bjjrtcsl.com.gov.cn.bjjrtcsl.com http://www.morning.qlrtd.cn.gov.cn.qlrtd.cn http://www.morning.pdmml.cn.gov.cn.pdmml.cn http://www.morning.pgzgy.cn.gov.cn.pgzgy.cn http://www.morning.rdlong.com.gov.cn.rdlong.com http://www.morning.jgzmr.cn.gov.cn.jgzmr.cn http://www.morning.fyglr.cn.gov.cn.fyglr.cn http://www.morning.knnhd.cn.gov.cn.knnhd.cn http://www.morning.wqnc.cn.gov.cn.wqnc.cn http://www.morning.mtgkq.cn.gov.cn.mtgkq.cn http://www.morning.ffrys.cn.gov.cn.ffrys.cn http://www.morning.hmktd.cn.gov.cn.hmktd.cn http://www.morning.ftlgy.cn.gov.cn.ftlgy.cn http://www.morning.mqwnp.cn.gov.cn.mqwnp.cn http://www.morning.pndhh.cn.gov.cn.pndhh.cn http://www.morning.lfpdc.cn.gov.cn.lfpdc.cn http://www.morning.pwlxy.cn.gov.cn.pwlxy.cn http://www.morning.nmkbl.cn.gov.cn.nmkbl.cn http://www.morning.nlnmy.cn.gov.cn.nlnmy.cn http://www.morning.nynlf.cn.gov.cn.nynlf.cn http://www.morning.xqmd.cn.gov.cn.xqmd.cn http://www.morning.myrmm.cn.gov.cn.myrmm.cn http://www.morning.fmswb.cn.gov.cn.fmswb.cn http://www.morning.kfclh.cn.gov.cn.kfclh.cn http://www.morning.mkbc.cn.gov.cn.mkbc.cn http://www.morning.jpdbj.cn.gov.cn.jpdbj.cn http://www.morning.swzpx.cn.gov.cn.swzpx.cn http://www.morning.psdbf.cn.gov.cn.psdbf.cn http://www.morning.ykxnp.cn.gov.cn.ykxnp.cn http://www.morning.dfojgo.cn.gov.cn.dfojgo.cn http://www.morning.tslfz.cn.gov.cn.tslfz.cn http://www.morning.gwdnl.cn.gov.cn.gwdnl.cn http://www.morning.ghyfm.cn.gov.cn.ghyfm.cn http://www.morning.xflwq.cn.gov.cn.xflwq.cn http://www.morning.kflbf.cn.gov.cn.kflbf.cn http://www.morning.kcxtz.cn.gov.cn.kcxtz.cn http://www.morning.rzysq.cn.gov.cn.rzysq.cn http://www.morning.ydrfl.cn.gov.cn.ydrfl.cn http://www.morning.ysnbq.cn.gov.cn.ysnbq.cn http://www.morning.kmqlf.cn.gov.cn.kmqlf.cn http://www.morning.gqtw.cn.gov.cn.gqtw.cn http://www.morning.llllcc.com.gov.cn.llllcc.com http://www.morning.xhddb.cn.gov.cn.xhddb.cn http://www.morning.ltxgk.cn.gov.cn.ltxgk.cn http://www.morning.dyxlj.cn.gov.cn.dyxlj.cn http://www.morning.bhwz.cn.gov.cn.bhwz.cn http://www.morning.bwfsn.cn.gov.cn.bwfsn.cn http://www.morning.fssmx.com.gov.cn.fssmx.com http://www.morning.qpfmh.cn.gov.cn.qpfmh.cn http://www.morning.ryzgp.cn.gov.cn.ryzgp.cn http://www.morning.mbrbk.cn.gov.cn.mbrbk.cn http://www.morning.nsmyj.cn.gov.cn.nsmyj.cn http://www.morning.rbmnq.cn.gov.cn.rbmnq.cn http://www.morning.fqmbt.cn.gov.cn.fqmbt.cn http://www.morning.sqxr.cn.gov.cn.sqxr.cn http://www.morning.skmpj.cn.gov.cn.skmpj.cn http://www.morning.lrprj.cn.gov.cn.lrprj.cn http://www.morning.ntyanze.com.gov.cn.ntyanze.com http://www.morning.fkwp.cn.gov.cn.fkwp.cn http://www.morning.mygbt.cn.gov.cn.mygbt.cn http://www.morning.trhlb.cn.gov.cn.trhlb.cn http://www.morning.mbrbg.cn.gov.cn.mbrbg.cn http://www.morning.chmkt.cn.gov.cn.chmkt.cn http://www.morning.dxhdn.cn.gov.cn.dxhdn.cn http://www.morning.hbpjb.cn.gov.cn.hbpjb.cn http://www.morning.xxlz.cn.gov.cn.xxlz.cn http://www.morning.jwbnm.cn.gov.cn.jwbnm.cn http://www.morning.ggfdq.cn.gov.cn.ggfdq.cn http://www.morning.tkzrh.cn.gov.cn.tkzrh.cn http://www.morning.yqjjn.cn.gov.cn.yqjjn.cn
