Download federated learning - download de código fonte federated learning

federated learning

Pitão

1.0.0

Baixar

Aprendizado federado

Esta é parcialmente a reprodução do artigo de aprendizado eficiente em comunicação de redes profundas a partir de dados descentralizados
Apenas experimentos em MNIST e CIFAR10 (IID e não IID) são produzidos de longe.

Nota: Os scripts serão lentos sem a implementação da computação paralela.

Requisitos

python> = 3.6
pytorch> = 0,4

Correr

Os modelos MLP e CNN são produzidos por:

python main_nn.py

A aprendizagem federada com MLP e CNN é produzida por:

python main_fed.py

Veja os argumentos no options.py.

Por exemplo:

python main_fed.py -DataSet mnist --iid --num_channels 1 -Model cnn --epochs 50 - -gpu 0

--all_clients para média em todos os modelos de clientes

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

Resultados

Mnist

Os resultados são mostrados na Tabela 1 e na Tabela 2, com os parâmetros c = 0,1, b = 10, e = 5.

Tabela 1. Resultados de 10 épocas treinando com a taxa de aprendizado de 0,01

Modelo	Acc. de iid	Acc. de não-IID
Fedavg-MLP	94,57%	70,44%
Fedavg-cnn	96,59%	77,72%

Tabela 2. Resultados de 50 épocas treinando com a taxa de aprendizado de 0,01

Modelo	Acc. de iid	Acc. de não-IID
Fedavg-MLP	97,21%	93,03%
Fedavg-cnn	98,60%	93,81%

ACKONWLEDGEMENTS

Agradecimentos dão a Youkaichao.

Referências

McMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson e Blaise Aguera y Arcas. Aprendizagem com eficiência de comunicação de redes profundas a partir de dados descentralizados. Em Inteligência e Estatística Artificial (Aistats), 2017.