代码收藏家 用Python实现本地模拟横向联邦学习
使用Python在本地模拟多个客户端，然后由服务器统一管理进行联邦学习，客户端在本地用自己的数据对模型进行训练，服务器将训练结果聚合更新模型并分发给客户端，客户端继续训练。
目录
一、前言
1.什么是联邦学习
2.联邦学习中的隐私问题
二、环境准备
三、具体实现
1.编写配置文件
2.获取训练数据集
3.编写服务器端代码
4.编写客户端代码
5.编写main函数
6.编写模型文件
四、进行测试
五、联邦学习与中心化训练的效果对比
六、总结
一、前言
1.什么是联邦学习
联邦学习是一种机器学习理念，概念就是服务器先将统一模型分发给客户端，然后客户端使用本地的数据进行训练，然后更新模型并传回服务器，服务器收到各方的新模型后，进行相应计算然后更新全局模型，再将更新后的模型分下下去继续训练，直到到达次数或收敛，最后得到一个多方共同训练的模型。联邦学习的核心概念就是“模型不懂数据动，数据可用不可见”。
（ps：这里只做简单的介绍，更加详细的联邦学习介绍可以参考下面这篇文章)
2.联邦学习中的隐私问题
联邦学习的本质还是机器学习，只不过将传统的数据集中式学习改为各个客户端自己进行学习，只进行参数的交流，这样能够保证数据的安全和隐私，但是这只是最基础的，鉴于各种针对联邦学习的攻击，还应结合其他技术来保证学习过程中的安全。
（ps：这里对联邦学习中的数据安全问题不进行过多的分析，感兴趣的可以参考下面的论文，写的非常好，并且容易理解）
http://www.jos.org.cn/jos/article/abstract/6446
http://www.jos.org.cn/jos/article/abstract/6446
二、环境准备
本实验基于python实现，使用机器学习库PyTorch。
基本流程：
- 服务器按配置文件生成初始化模型，客户端按照自己的ID将数据集横向不重叠切割
- 服务器将全局模型发送给客户端
- 客户端接收全局模型（来自服务器）并通过本地多次迭代计算本地参数差值返回给服务器
- 服务器聚合各个客户端差值更新模型，再评估当前模型性能
- 如果性能未达标，则重复2过程，否则结束
三、具体实现
1.编写配置文件
在项目文件夹下建立一个utils文件夹，在里面创建配置文件conf.json，其中的数据可以根据需要自行更改。（因为json文件不允许注释，所以将每个值赋值两次，第一次用作注释，第二次才是真实的值）
{
"model_name" : "模型名称",
"model_name" : "resnet18",
"no_models" : "客户端总数量",
"no_models" : 5,
"type" : "数据集信息",
"type" : "cifar",
"global_epochs" : "全局迭代次数",
"global_epochs" : 5,
"local_epochs" : "本地迭代次数",
"local_epochs" : 2,
"k" : "每一轮选用k个客户端参与训练",
"k" : 3,
"batch_size" : "本地训练每一轮的样本数",
"batch_size" : 32,
"notes" : "本地训练的超参数设置",
"lr" : 0.001,
"momentum" : 0.0001,
"lambda" : 0.1
}2.获取训练数据集
在项目文件夹下创建datasets.py文件。
from torchvision import datasets, transforms
# 获取数据集
def get_dataset(dir, name):
if name == 'mnist':
# root: 数据路径
# train参数表示是否是训练集或者测试集
# download=true表示从互联网上下载数据集并把数据集放在root路径中
# transform：图像类型的转换
train_dataset = datasets.MNIST(dir, train=True, download=True, transform=transforms.ToTensor())
eval_dataset = datasets.MNIST(dir, train=False, transform=transforms.ToTensor())
elif name == 'cifar':
# 设置两个转换格式
# transforms.Compose 是将多个transform组合起来使用（由transform构成的列表）
transform_train = transforms.Compose([
# transforms.RandomCrop： 切割中心点的位置随机选取
transforms.RandomCrop(32, padding=4),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
# transforms.Normalize： 给定均值：(R,G,B) 方差：（R，G，B），将会把Tensor正则化
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])
transform_test = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])
train_dataset = datasets.CIFAR10(dir, train=True, download=True, transform=transform_train)
eval_dataset = datasets.CIFAR10(dir, train=False, transform=transform_test)
return train_dataset, eval_dataset3.编写服务器端代码
在项目文件夹下创建server.py文件，服务器端的主要功能就是将模型聚合，评估，分发，包括构造函数、聚合函数（使用FedAvg算法）、评估函数。
import models
import torch
# 服务器类
class Server(object):
# 定义构造函数
def __init__(self, conf, eval_dataset):
# 导入配置文件
self.conf = conf
# 根据配置文件获取模型
self.global_model = models.get_model(self.conf["model_name"])
# 生成测试集合加载器
self.eval_loader = torch.utils.data.DataLoader(
eval_dataset,
# 根据配置文件设置单个批次大小（32）
batch_size=self.conf["batch_size"],
# 打乱数据集
shuffle=True
)
# 模型聚合函数
# weight_accumulator 存储了每个客户端上传参数的变化值
def model_aggregate(self, weight_accumulator):
# 遍历服务器的全局模型
for name, data in self.global_model.state_dict().items():
# 更新每一次乘以配置文件中的学习率
update_per_layer = weight_accumulator[name] * self.conf["lambda"]
# 累加
if data.type() != update_per_layer.type():
# 因为update_per_layer的type是floatTensor，所以将其转换为模型的LongTensor（损失精度）
data.add_(update_per_layer.to(torch.int64))
else:
data.add_(update_per_layer)
# 模型评估函数
def model_eval(self):
# 开启模型评估模式
self.global_model.eval()
total_loss = 0.0
correct = 0
dataset_size = 0
# 遍历评估数据集合
for batch_id, batch in enumerate(self.eval_loader):
data, target = batch
# 获取所有样本总量大小
dataset_size += data.size()[0]
# 如果可以的话存储到gpu
if torch.cuda.is_available():
data = data.cuda()
target = target.cuda()
# 加载到模型中训练
output = self.global_model(data)
# 聚合所有损失 cross_entropy 交叉熵函数计算损失
total_loss += torch.nn.functional.cross_entropy(
output,
target,
reduction='sum'
).item()
# 获取最大的对数概率的索引值，即在所有预测结果中选择可能性最大的作为最终结果
pred = output.data.max(1)[1]
# 统计预测结果与真实标签的匹配个数
correct += pred.eq(target.data.view_as(pred)).cpu().sum().item()
# 计算准确率
acc = 100.0 * (float(correct) / float(dataset_size))
# 计算损失值
total_l = total_loss / dataset_size
return acc, total_l4.编写客户端代码
在项目文件夹下创建client.py文件，客户端的主要功能是接受服务器传来的全局模型，并利用本地数据对模型进行训练后返回差值，包括构造函数、本地训练函数。
import models
import torch
# 客户端类
class Client(object):
#构造函数
def __init__(self, conf, model, train_dataset, id=-1):
# 读取配置文件
self.conf = conf
# 根据配置文件获取客户端本地模型（一般由服务器传输）
self.local_model = models.get_model(self.conf["model_name"])
# 客户端ID
self.client_id = id
# 客户端本地数据集
self.train_dataset = train_dataset
# 按ID对数据集集合进行拆分
all_range = list(range(len(self.train_dataset)))
data_len = int(len(self.train_dataset) / self.conf['no_models'])
train_indices = all_range[id * data_len: (id + 1) * data_len]
# 生成数据加载器
self.train_loader = torch.utils.data.DataLoader(
# 指定父集合
self.train_dataset,
# 每个batch加载多少样本
batch_size=conf["batch_size"],
# 指定子集合
# sampler定义从数据集中提取样本的策略
sampler=torch.utils.data.sampler.SubsetRandomSampler(train_indices)
)
# 模型本地训练函数
def local_train(self, model):
# 客户端获取服务器的模型，然后通过部分本地数据集进行训练
for name, param in model.state_dict().items():
# 用服务器下发的全局模型覆盖本地模型
self.local_model.state_dict()[name].copy_(param.clone())
# 定义最优化函数器用户本地模型训练
optimizer = torch.optim.SGD(
self.local_model.parameters(),
lr=self.conf['lr'],
momentum=self.conf['momentum']
)
# 本地训练模型
# 设置开启模型训练
self.local_model.train()
# 开始训练模型
for e in range(self.conf["local_epochs"]):
for batch_id, batch in enumerate(self.train_loader):
data, target = batch
# 如果可以的话加载到gpu
if torch.cuda.is_available():
data = data.cuda()
target = target.cuda()
# 梯度初始化为0
optimizer.zero_grad()
# 训练预测
output = self.local_model(data)
# 计算损失函数cross_entropy交叉熵误差
loss = torch.nn.functional.cross_entropy(output, target)
# 反向传播
loss.backward()
# 更新参数
optimizer.step()
print("Epoch %d done." % e)
# 创建差值字典（结构与模型参数同规格），用于记录差值
diff = dict()
for name, data in self.local_model.state_dict().items():
# 计算训练后与训练前的差值
diff[name] = (data - model.state_dict()[name])
print("Client %d local train done" % self.client_id)
# 客户端返回差值
return diff
5.编写main函数
在项目文件夹下创建main.py文件，用来将代码整合起来。
import argparse
import json
import random
import datasets
from client import *
from server import *
if __name__ == '__main__':
# 设置命令行程序
parser = argparse.ArgumentParser(description='Federated Learning')
parser.add_argument('-c', '--conf', dest='conf')
# 获取所有参数
args = parser.parse_args()
# 读取配置文件，指定编码格式为utf-8
with open(args.conf, 'r', encoding='utf-8') as f:
conf = json.load(f)
# 获取数据集，加载描述信息
train_datasets, eval_datasets = datasets.get_dataset("./data/", conf["type"])
# 启动服务器
server = Server(conf, eval_datasets)
# 定义客户端列表
clients = []
# 创建10个客户端到列表中
for c in range(conf["no_models"]):
clients.append(Client(conf, server.global_model, train_datasets, c))
print("\n\n")
# 全局模型训练
for e in range(conf["global_epochs"]):
print("Global Epoch %d" % e)
# 每次训练从clients列表中随机抽取k个进行训练
candidates = random.sample(clients, conf["k"])
print("select clients is: ")
for c in candidates:
print(c.client_id)
# 累计权重
weight_accumulator = {}
# 初始化空模型参数weight_accumulator
for name, params in server.global_model.state_dict().items():
# 生成一个和参数矩阵大小相同的0矩阵
weight_accumulator[name] = torch.zeros_like(params)
# 遍历选中的客户端，每个客户端本地进行训练
for c in candidates:
diff = c.local_train(server.global_model)
# 根据客户端返回的参数差值字典更新总体权重
for name, params in server.global_model.state_dict().items():
weight_accumulator[name].add_(diff[name])
# 模型参数聚合
server.model_aggregate(weight_accumulator)
# 模型评估
acc, loss = server.model_eval()
print("Epoch %d, acc: %f, loss: %f\n" % (e, acc, loss))6.编写模型文件
在项目文件夹下创建models.py文件，用来定义各种机器学习模型供使用。
import torch
from torchvision import models
# 各种机器学习模型
def get_model(name="vgg16", pretrained=True):
if name == "resnet18":
model = models.resnet18(pretrained=pretrained)
elif name == "resnet50":
model = models.resnet50(pretrained=pretrained)
elif name == "densenet121":
model = models.densenet121(pretrained=pretrained)
elif name == "alexnet":
model = models.alexnet(pretrained=pretrained)
elif name == "vgg16":
model = models.vgg16(pretrained=pretrained)
elif name == "vgg19":
model = models.vgg19(pretrained=pretrained)
elif name == "inception_v3":
model = models.inception_v3(pretrained=pretrained)
elif name == "googlenet":
model = models.googlenet(pretrained=pretrained)
if torch.cuda.is_available():
return model.cuda()
else:
return model四、进行测试
整个项目结构：
进入到项目目录下，使用命令行运行如下命令：
python main.py -c ./utils/conf.json首先会进行数据集的下载，在项目目录下会出现data文件夹，里面会有要用到的数据集，然后就会随机挑选客户端进行训练，进行完指定轮数的训练后就会停止。
五、联邦学习与中心化训练的效果对比
联邦训练：一共10台客户端设备，每轮挑选5台参与训练，每次本地训练迭代3次，全局迭代次数20次。
集中式训练：将客户端设备数改为1，每轮挑选1台进行训练，通过修改配置就可以完成集中式训练的效果。
图中的单点训练只的是在某一个客户端下，利用本地的数据进行模型训练的结果。
我们看到单点训练的模型效果（蓝色条）明显要低于联邦训练 的效果（绿色条和红色条），这也说明了仅仅通过单个客户端的数据，不能够 很好的学习到数据的全局分布特性，模型的泛化能力较差。
此外，对于每一轮 参与联邦训练的客户端数目（k 值）不同，其性能也会有一定的差别，k 值越大，每一轮参与训练的客户端数目越多，其性能也会越好，但每一轮的完成时间也会相对较长。
六、总结
目前联邦学习的应用已经非常广泛了，各个大企业也都开发了自己的联邦学习框架，例如微众银行的FATE、谷歌的TensorFlow、OpenMind的PySyft、百度的PaddleFL、字节的FedLearner等，都是很好的框架，本文只在本地模拟了客户端和服务器进行训练，要在多台机器上进行训练还需进行学习。
来源：嘉然然
