federated learning

联合学习

这部分是从分散数据的深入网络进行沟通效率学习论文的复制品
到目前为止，仅对MNIST和CIFAR10（IID和非IID）进行实验。

注意：如果没有并行计算，脚本将很慢。

要求

python> = 3.6
pytorch> = 0.4

跑步

MLP和CNN模型由：

python main_nn.py

使用MLP和CNN联合学习由以下方式生产：

python main_fed.py

请参阅options.py中的参数。

例如：

python main_fed.py-dataset mnist -iid -num_channels 1 - 模型CNN -epochs 50 -gpu 0

--all_clients平均所有客户端模型

NB：对于CIFAR-10， num_channels必须为3。

结果

mnist

结果显示在表1和表2中，其中参数c = 0.1，b = 10，e = 5。

表1。学习率为0.01的10个时期训练的结果

模型	ACC。 iid	ACC。非IID
FedAvg-MLP	94.57％	70.44％
FedAvg-CNN	96.59％	77.72％

表2。学习率为0.01的50个时期训练的结果

模型	ACC。 iid	ACC。非IID
FedAvg-MLP	97.21％	93.03％
FedAvg-CNN	98.60％	93.81％

ackonwledegents

致谢给Youkaichao。

参考

McMahan，Brendan，Eider Moore，Daniel Ramage，Seth Hampson和Blaise Aguera Y Arcas。从分散数据中对深网的沟通有效学习。人工智能和统计学（AISTATS），2017年。

引用为

shaoxiong ji。 （2018年3月30日）。联合学习的Pytorch实施。 Zenodo。 http://doi.org/10.5281/Zenodo.4321561