federated learning

聯合學習

這部分是從分散數據的深入網絡進行溝通效率學習論文的複製品
到目前為止，僅對MNIST和CIFAR10（IID和非IID）進行實驗。

注意：如果沒有並行計算，腳本將很慢。

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聯合學習由以下方式生產：

python main_fed.py

請參閱options.py中的參數。

例如：

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

--all_clients平均所有客戶端模型

NB：對於CIFAR-10， num_channels必須為3。

結果

mnist

結果顯示在表1和表2中，其中參數c = 0.1，b = 10，e = 5。

表1。學習率為0.01的10個時期訓練的結果

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

表2。學習率為0.01的50個時期訓練的結果

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

ackonwledegents

致謝給Youkaichao。

參考

McMahan，Brendan，Eider Moore，Daniel Ramage，Seth Hampson和Blaise Aguera Y Arcas。從分散數據中對深網的溝通有效學習。人工智能和統計學（AISTATS），2017年。

引用為

shaoxiong ji。 （2018年3月30日）。聯合學習的Pytorch實施。 Zenodo。 http://doi.org/10.5281/Zenodo.4321561