Téléchargement federated learning - Téléchargement du code source federated learning

federated learning

Python

1.0.0

Télécharger

Apprentissage fédéré

Il s'agit en partie de la reproduction de l'article de l'apprentissage économe en communication des réseaux profonds à partir de données décentralisées
Seules les expériences sur MNIST et CIFAR10 (IID et non IID) sont de loin produites.

Remarque: les scripts seront lents sans l'implémentation de l'informatique parallèle.

Exigences

Python> = 3,6
pytorch> = 0,4

Courir

Les modèles MLP et CNN sont produits par:

python main_nn.py

L'apprentissage fédéré avec MLP et CNN est produit par:

python main_fed.py

Voir les arguments dans OptionS.py.

Par exemple:

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

--all_clients pour la moyenne de tous les modèles de clients

NB: Pour CIFAR-10, num_channels doit être 3.

Résultats

MNIST

Les résultats sont présentés dans le tableau 1 et le tableau 2, avec les paramètres c = 0,1, b = 10, e = 5.

Tableau 1. Résultats de 10 époques Formation avec le taux d'apprentissage de 0,01

Modèle	Acc. de iid	Acc. de non-iid
Fedavg-MLP	94,57%	70,44%
FEDAVG-CNN	96,59%	77,72%

Tableau 2. Résultats de 50 époques Formation avec le taux d'apprentissage de 0,01

Modèle	Acc. de iid	Acc. de non-iid
Fedavg-MLP	97,21%	93,03%
FEDAVG-CNN	98,60%	93,81%

Ackonwledgations

Les remerciements donnent à Youkaichao.

Références

McMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson et Blaise Aguera y Arcas. Apprentissage économe en communication des réseaux profonds à partir de données décentralisées. Dans l'intelligence artificielle et les statistiques (AISTAT), 2017.