FedAvgAndroid#

class FedAvgAndroid(*, fraction_fit: float = 1.0, fraction_evaluate: float = 1.0, min_fit_clients: int = 2, min_evaluate_clients: int = 2, min_available_clients: int = 2, evaluate_fn: Callable[[int, List[ndarray[Any, dtype[Any]]], Dict[str, bool | bytes | float | int | str]], Tuple[float, Dict[str, bool | bytes | float | int | str]] | None] | None = None, on_fit_config_fn: Callable[[int], Dict[str, bool | bytes | float | int | str]] | None = None, on_evaluate_config_fn: Callable[[int], Dict[str, bool | bytes | float | int | str]] | None = None, accept_failures: bool = True, initial_parameters: Parameters | None = None)[源代码]#

基类:Strategy

联邦平均策略。

实施基于 https://arxiv.org/abs/1602.05629

参数:
  • fraction_fit (Optional[float]) -- 训练期间使用客户的比例。默认为 1.0。

  • fraction_evaluate (Optional[float]) -- 验证过程中使用的客户端比例。默认为 1.0。

  • min_fit_clients (Optional[int]) -- 训练期间使用的最少客户数。默认为 2。

  • min_evaluate_clients (Optional[int]) -- 验证过程中使用的最少客户端数量。默认为 2。

  • min_available_clients (Optional[int]) -- 系统中客户总数的最小值。默认为 2。

  • evaluate_fn (Optional[Callable[[int, NDArrays, Dict[str, Scalar]], Optional[Tuple[float, Dict[str, Scalar]]]]]) -- 用于验证的可选函数。默认为 "无"。

  • on_fit_config_fn (Optional[Callable[[int], Dict[str, Scalar]]]) -- 用于配置训练的功能。默认为 "无"。

  • on_evaluate_config_fn (Optional[Callable[[int], Dict[str, Scalar]]]) -- 用于配置验证的函数。默认为 "无"。

  • accept_failures (Optional[bool]) -- 是否接受包含失败的轮。默认为 True。

  • initial_parameters (Optional[Parameters]) -- 初始全局模型参数。

Methods

aggregate_evaluate(server_round, results, ...)

采用加权平均法计算评估损失总额。

aggregate_fit(server_round, results, failures)

使用加权平均法汇总拟合结果。

bytes_to_ndarray(tensor)

Deserialize NumPy array from bytes.

configure_evaluate(server_round, parameters, ...)

配置下一轮评估。

configure_fit(server_round, parameters, ...)

配置下一轮训练。

evaluate(server_round, parameters)

使用评估函数评估模型参数。

initialize_parameters(client_manager)

初始化全局模型参数。

ndarray_to_bytes(ndarray)

Serialize NumPy array to bytes.

ndarrays_to_parameters(ndarrays)

将 NumPy ndarrays 转换为参数对象。

num_evaluation_clients(num_available_clients)

使用部分可用客户进行评估。

num_fit_clients(num_available_clients)

返回样本大小和所需的可用客户数量。

parameters_to_ndarrays(parameters)

Convert parameters object to NumPy weights.

aggregate_evaluate(server_round: int, results: List[Tuple[ClientProxy, EvaluateRes]], failures: List[Tuple[ClientProxy, EvaluateRes] | BaseException]) Tuple[float | None, Dict[str, bool | bytes | float | int | str]][源代码]#

采用加权平均法计算评估损失总额。

aggregate_fit(server_round: int, results: List[Tuple[ClientProxy, FitRes]], failures: List[Tuple[ClientProxy, FitRes] | BaseException]) Tuple[Parameters | None, Dict[str, bool | bytes | float | int | str]][源代码]#

使用加权平均法汇总拟合结果。

bytes_to_ndarray(tensor: bytes) ndarray[Any, dtype[Any]][源代码]#

Deserialize NumPy array from bytes.

configure_evaluate(server_round: int, parameters: Parameters, client_manager: ClientManager) List[Tuple[ClientProxy, EvaluateIns]][源代码]#

配置下一轮评估。

configure_fit(server_round: int, parameters: Parameters, client_manager: ClientManager) List[Tuple[ClientProxy, FitIns]][源代码]#

配置下一轮训练。

evaluate(server_round: int, parameters: Parameters) Tuple[float, Dict[str, bool | bytes | float | int | str]] | None[源代码]#

使用评估函数评估模型参数。

initialize_parameters(client_manager: ClientManager) Parameters | None[源代码]#

初始化全局模型参数。

ndarray_to_bytes(ndarray: ndarray[Any, dtype[Any]]) bytes[源代码]#

Serialize NumPy array to bytes.

ndarrays_to_parameters(ndarrays: List[ndarray[Any, dtype[Any]]]) Parameters[源代码]#

将 NumPy ndarrays 转换为参数对象。

num_evaluation_clients(num_available_clients: int) Tuple[int, int][源代码]#

使用部分可用客户进行评估。

num_fit_clients(num_available_clients: int) Tuple[int, int][源代码]#

返回样本大小和所需的可用客户数量。

parameters_to_ndarrays(parameters: Parameters) List[ndarray[Any, dtype[Any]]][源代码]#

Convert parameters object to NumPy weights.