模型训练接口

查看源文件
class mindspore_federated.FLModel(yaml_data, network, loss_fn=None, optimizers=None, metrics=None, eval_network=None)[源代码]

用于纵向联邦学习模型训练与推理的高阶API。FLModel将纵向联邦学习参与方训练所需的网络模型、优化器,以及其它数据结构封装为高阶对象。然后,FLModel根据开发者配置的yaml文件(参见 纵向联邦学习yaml详细配置项 ),构建纵向联邦学习流程,并提供控制训练和推理流程的接口。

参数:
  • yaml_data (class) - 包含纵向联邦学习流程相关信息的数据类,包括优化器、梯度计算器等模块信息。该数据类从开发者配置的yaml文件解析得到。

  • network (Cell) - 训练网络,输出loss值。如果未输入 loss_fn ,则直接采用该网络作为训练网络。如果输入了有效的 loss_fn ,则将基于 networkloss_fn 构建训练网络。

  • loss_fn (Cell) - 损失函数。若初始化阶段未指定 loss_fn,则输入的network将直接被用作训练网络。默认值:None

  • optimizers (Cell) - 用于训练训练网络的自定义优化器。若 optimizersNone,FLModel将根据yaml文件配置信息,使用MindSpore提供的标准优化器训练训练网络。默认值:None

  • metrics (Metric) - 用于计算评估网络评测指标的类。默认值:None

  • eval_network (Cell) - 参与方评估网络,输出任务预测值。默认值:None

样例:

>>> from mindspore_federated import FLModel, FLYamlData
>>> import mindspore.nn as nn
>>> yaml_data = FLYamlData(os.path.join(os.getcwd(), 'net.yaml'))
>>> # define the training network
>>> train_net = TrainNet()
>>> # define the evaluation network
>>> eval_net = EvalNet()
>>> eval_metric = nn.Accuracy()
>>> party_fl_model = FLModel(yaml_data, train_net, metrics=eval_metric, eval_network=eval_net)
backward_one_step(local_data_batch: dict = None, remote_data_batch: dict = None, sens: dict = None)[源代码]

采用一个数据batch,执行训练网络反向传播。

参数:
  • local_data_batch (dict) - 从本地服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

  • remote_data_batch (dict) - 从其它参与方的远程服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

  • sens (dict) - 用于训练网络梯度值计算的sens加权系数。其key为yaml文件中定义的sens加权系数名称,其value为包含sens加权系数Tensor的字典。value字典的key为训练网络的输出Tensor名称,value字典的value为该输出对应的sens加权系数Tensor。默认值:None

返回:

Dict,传递给其它纵向联邦学习参与方,用于其梯度值计算的sens加权系数。其key为yaml文件中定义的sens加权系数名称,其value为包含sens加权系数Tensor的字典。value字典的key为训练网络的输入Tensor名称,value字典的value为该输入对应的sens加权系数Tensor。

样例:

>>> head_scale = party_fl_model.backward_one_step(item, backbone_out)
eval_one_step(local_data_batch: dict = None, remote_data_batch: dict = None)[源代码]

采用一个数据batch,执行评估网络计算。

参数:
  • local_data_batch (dict) - 从本地服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

  • remote_data_batch (dict) - 从其它参与方的远程服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

返回:

Dict,评估网络的输出。key为评估网络输出的变量名称,value为对应的Tensor。

样例:

>>> party_fl_model.eval_one_step(eval_item, embedding)
forward_one_step(local_data_batch: dict = None, remote_data_batch: dict = None)[源代码]

采用一个数据batch,执行训练网络前向推理。

参数:
  • local_data_batch (dict) - 从本地服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

  • remote_data_batch (dict) - 从其它参与方的远程服务器读取的数据batch。key为数据项名称,value为对应的Tensor。默认值:None

返回:

Dict,评估网络的输出。key为训练网络输出的变量名称,value为对应的Tensor。

样例:

>>> logit_out = party_fl_model.forward_one_step(item, backbone_out)
get_compress_configs()[源代码]

获取压缩配置。

说明

无法给名字相同的tensors使用不同的压缩方法。

返回:

Dict, Key是tensor的名字, Value是tensor。

样例:

>>> compress_configs = party_fl_model.get_compress_configs()
load_ckpt(phrase: str = 'eval', path: str = None)[源代码]

加载checkpoint至训练网络和评估网络。

参数:
  • phrase (str) - 加载checkpoint至哪个网络,必须为 'eval''train'。如果设置为 'eval',加载checkpoint至评估网络;如果设置为 'train',加载checkpoint至训练网络。默认值: 'eval'

  • path (str) - 加载checkpoint的路径。如果未定义 path ,则将使用yaml文件中定义的 ckpt_path 作为checkpoint保存路径。默认值:None

样例:

>>> party_fl_model.load_ckpt(phrase="eval", path="party_fl_model.ckpt")
save_ckpt(path: str = None)[源代码]

保存训练网络的checkpoint。

参数:
  • path (str) - 保存checkpoint的路径。如果未定义 path ,则将使用yaml文件中定义的 ckpt_path 作为checkpoint保存路径。默认值:None

样例:

>>> party_fl_model.save_ckpt("party_fl_model.ckpt")
class mindspore_federated.FLYamlData(yaml_path: str)[源代码]

储存纵向联邦学习流程相关的配置信息,包括网络、优化器、算子等模块的输入/输出和超参数。上述信息从开发者提供的yaml文件(参见 纵向联邦学习yaml详细配置项 )中解析上述配置信息。在解析过程中,将会校验yaml文件的合法性。返回值给FLModel第一个入参使用。

参数:
  • yaml_path (str) - yaml文件路径。

样例:

>>> from mindspore_federated import FLYamlData
>>> yaml_data = FLYamlData(os.path.join(os.getcwd(), 'net.yaml'))