ดาวน์โหลด federated learning - ดาวน์โหลดซอร์สโค้ด federated learning

federated learning

หลาม

1.0.0

ดาวน์โหลด

การเรียนรู้แบบรวม

ส่วนหนึ่งเป็นส่วนหนึ่งของการทำซ้ำกระดาษการเรียนรู้การสื่อสารที่มีประสิทธิภาพของเครือข่ายลึกจากข้อมูลการกระจายอำนาจ
มีเพียงการทดลองเกี่ยวกับ MNIST และ CIFAR10 (ทั้ง IID และ Non-IID) เท่านั้น

หมายเหตุ: สคริปต์จะช้าโดยไม่ต้องใช้การคำนวณแบบขนาน

ความต้องการ

Python> = 3.6
pytorch> = 0.4

วิ่ง

รุ่น MLP และ CNN ผลิตโดย:

Python Main_nn.py

การเรียนรู้แบบรวมกับ MLP และ CNN ผลิตโดย:

Python main_fed.py

ดูอาร์กิวเมนต์ในตัวเลือก py

ตัวอย่างเช่น:

Python Main_fed.py -Dataset Mnist -iid -Num_Channels 1 -โมเดล CNN -EPOCHS 50 -GPU 0

--all_clients ทั้งหมด

NB: สำหรับ CIFAR-10, num_channels ต้องเป็น 3

ผลลัพธ์

MNIST

ผลลัพธ์จะแสดงในตารางที่ 1 และตารางที่ 2 โดยมีพารามิเตอร์ c = 0.1, b = 10, e = 5

ตารางที่ 1. ผลการฝึกอบรม 10 ครั้งด้วยอัตราการเรียนรู้ที่ 0.01

แบบอย่าง	acc. ของ iid	acc. ของที่ไม่ใช่ IID
Fedavg-MLP	94.57%	70.44%
fedavg-cnn	96.59%	77.72%

ตารางที่ 2. ผลการฝึกอบรม 50 EPOCHS ด้วยอัตราการเรียนรู้ที่ 0.01

แบบอย่าง	acc. ของ iid	acc. ของที่ไม่ใช่ IID
Fedavg-MLP	97.21%	93.03%
fedavg-cnn	98.60%	93.81%

Ackonwledgements

กิตติกรรมประกาศให้กับ Youkaichao

การอ้างอิง

McMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson และ Blaise Aguera y Arcas การเรียนรู้การสื่อสารอย่างมีประสิทธิภาพของเครือข่ายลึกจากข้อมูลการกระจายอำนาจ ในปัญญาประดิษฐ์และสถิติ (AISTATS), 2017