FedYogi#
- class FedYogi(*, 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, fit_metrics_aggregation_fn: Callable[[List[Tuple[int, Dict[str, bool | bytes | float | int | str]]]], Dict[str, bool | bytes | float | int | str]] | None = None, evaluate_metrics_aggregation_fn: Callable[[List[Tuple[int, Dict[str, bool | bytes | float | int | str]]]], Dict[str, bool | bytes | float | int | str]] | None = None, eta: float = 0.01, eta_l: float = 0.0316, beta_1: float = 0.9, beta_2: float = 0.99, tau: float = 0.001)[源代码]#
基类:
FedOpt
FedYogi [Reddi 等人,2020] 策略。
实施基于 https://arxiv.org/abs/2003.00295v5
- 参数:
fraction_fit (float, optional) -- 训练期间使用客户的比例。默认为 1.0。
fraction_evaluate (float, optional) -- 验证过程中使用的客户端比例。默认为 1.0。
min_fit_clients (int, optional) -- 训练期间使用的最少客户数。默认为 2。
min_evaluate_clients (int, optional) -- 验证过程中使用的最少客户端数量。默认为 2。
min_available_clients (int, optional) -- 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 -- 用于验证的可选函数。默认为 "无"。
Dict[str -- 用于验证的可选函数。默认为 "无"。
Scalar]]]]] -- 用于验证的可选函数。默认为 "无"。
on_fit_config_fn (Callable[[int], Dict[str, Scalar]], optional) -- 用于配置训练的功能。默认为 "无"。
on_evaluate_config_fn (Callable[[int], Dict[str, Scalar]], optional) -- 用于配置验证的函数。默认为 "无"。
accept_failures (bool, optional) -- 是否接受包含失败的轮。默认为 True。
initial_parameters (Parameters) -- 初始全局模型参数。
fit_metrics_aggregation_fn (Optional[MetricsAggregationFn]) -- 指标汇总功能,可选。
evaluate_metrics_aggregation_fn (Optional[MetricsAggregationFn]) -- 指标汇总功能,可选。
eta (float, optional) -- Server-side learning rate. Defaults to 1e-2.
eta_l (float, optional) -- Client-side learning rate. Defaults to 0.0316.
beta_1 (float, optional) -- 动量参数。默认为 0.9。
beta_2 (float, optional) -- 第二动量参数。默认为 0.99。
tau (float, optional) -- Controls the algorithm's degree of adaptability. Defaults to 1e-3.
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[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。
- 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: Parameters) Tuple[float, Dict[str, bool | bytes | float | int | str]] | None #
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。