FedXgbNnAvg#
- class FedXgbNnAvg(*args: Any, **kwargs: Any)[源代码]#
基类:
FedAvg
可配置的 FedXgbNAvg 策略实施。
警告
This strategy is deprecated, but a copy of it is available in Flower Baselines: https://github.com/adap/flower/tree/main/baselines/hfedxgboost.
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。
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。
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。
- 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]]#
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[Any | None, Dict[str, bool | bytes | float | int | str]][源代码]#
使用加权平均法汇总拟合结果。
- configure_evaluate(server_round: int, parameters: Parameters, client_manager: ClientManager) → List[Tuple[ClientProxy, EvaluateIns]]#
配置下一轮评估。
- configure_fit(server_round: int, parameters: Parameters, client_manager: ClientManager) → List[Tuple[ClientProxy, FitIns]]#
配置下一轮训练。
- evaluate(server_round: int, parameters: Any) → 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#
初始化全局模型参数。
- num_evaluation_clients(num_available_clients: int) → Tuple[int, int]#
使用部分可用客户进行评估。
- num_fit_clients(num_available_clients: int) → Tuple[int, int]#
返回样本大小和所需的可用客户数量。