Descarga federated learning - Descargar código fuente de federated learning

federated learning

Pitón

1.0.0

Descargar

Aprendizaje federado

Esta es en parte la reproducción del documento de aprendizaje de la comunicación-eficiente de redes profundas de datos descentralizados
Solo los experimentos en MNIST y CIFAR10 (tanto IID como no IID) se producen lejos.

Nota: Los scripts serán lentos sin la implementación de la computación paralela.

Requisitos

Python> = 3.6
pytorch> = 0.4

Correr

Los modelos MLP y CNN son producidos por:

python main_nn.py

El aprendizaje federado con MLP y CNN es producido por:

python main_fed.py

Vea los argumentos en options.py.

Por ejemplo:

python main_fed.py - -dataset mnist --iid --num_channels 1 - -model cnn --epochs 50 - -gpu 0

--all_clients para promediar todos los modelos de clientes

NB: Para CIFAR-10, num_channels debe ser 3.

Resultados

Mnista

Los resultados se muestran en la Tabla 1 y la Tabla 2, con los parámetros C = 0.1, B = 10, E = 5.

Tabla 1. Resultados de 10 épocas capacitación con la tasa de aprendizaje de 0.01

Modelo	Accado de Iid	Accado de no iid
FedAVG-MLP	94.57%	70.44%
Fedavg-cnn	96.59%	77.72%

Tabla 2. Resultados de 50 épocas capacitación con la tasa de aprendizaje de 0.01

Modelo	Accado de Iid	Accado de no iid
FedAVG-MLP	97.21%	93.03%
Fedavg-cnn	98.60%	93.81%

Ackonwledgements

Agradecimientos se dan a Yokaichao.

Referencias

McMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson y Blaise Aguera y Arcas. Aprendizaje de la comunicación de las redes profundas a partir de datos descentralizados. En Inteligencia y Estadísticas Artificiales (AISTAT), 2017.