Federated Learning Tensorflow 教程

步骤 1: 以管理员身份启动 Federated Learning

在本教程中，您将使用 Tensorflow 框架和 MNIST 数据集来训练 Federated Learning 试验。

步骤 2: 培训模型作为参与方

执行以下步骤以将模型训练为参与方:

1. 确保您正在使用与管理员相同的 Python 版本。 使用不同的 Python 版本可能会导致兼容性问题。 要查看与不同框架兼容的 Python 版本，请参阅 框架和 Python 版本兼容性。

2. 创建新的本地目录，并将参与方连接器脚本放入其中。

3. 通过右键单击来下载数据处理程序 mnist_keras_data_handler.py，然后单击将链接另存为。 将其保存到与参与方连接器脚本相同的目录。

4. 从 Gallery 中下载 MNIST 手写数据集。 在与参与方连接器脚本，数据处理程序和其余文件相同的目录中，通过运行 unzip 命令 unzip MNIST-pkl.zip将其解压缩。

5. 安装 Watson Machine Learning。

   • 如果您正在使用 Linux，请运行 pip install 'ibm-watson-machine-learning[fl-rt23.1-py3.10]'。

   • 如果使用带有 M 系列 CPU 和 Conda 的 Mac OS ，请下载安装脚本 ，然后运行 ./install_fl_macos.sh fl-rt23.1-py3.10 <name for new conda environment>。
     现在，在同一目录下有聚会连接器脚本、 mnist_keras_data_handler.py、 mnist-keras-test.pkl 和 mnist-keras-train.pkl、数据处理器。

6. 您的参与方连接器脚本类似于以下内容。 通过填写远程训练系统中定义的用户的数据文件位置，数据处理程序，用户名和密码来对其进行编辑。

   from ibm_watson_machine_learning import APIClient
   wml_credentials = {
        "username": "<username>",
        "password": "<password>",
        "instance_id" : "wml_local",
        "url": "https://cpd-cluster.com",
        "version": "4.6"
       }
   wml_client = APIClient(wml_credentials)
   wml_client.set.default_project("XXX-XXX-XXX-XXX-XXX")
   party_metadata = {
         wml_client.remote_training_systems.ConfigurationMetaNames.DATA_HANDLER: {
             # Supply the name of the data handler class and path to it.
             # The info section may be used to create a key value pair for the file type of local data set or the path of your data set.
             # For example,
             #     "name": "MnistTFDataHandler", # This is the name of the data handler class
             #     "path": "pwd + "mnist_sklearn_data_handler.py"",
             #     "info": {
             #         "train_file": pwd + "/mnist-keras-train.pkl",
             #         "test_file": pwd + "/mnist-keras-test.pkl"
             #          }
          "name": "<data handler>",
          "path": "<path to data handler>",
          "info": {
              "<information to pass to data handler>"
              }
           }
       }
   party = wml_client.remote_training_systems.create_party("XXX-XXX-XXX-XXX-XXX", party_metadata)
   party.monitor_logs()
   party.run(aggregator_id="XXX-XXX-XXX-XXX-XXX", asynchronous=False)
   

7. 运行参与方连接器脚本：python3 rts_<RTS Name>_<RTS ID>.py。
   从 UI 中，可以监视该 Federated Learning 试验的状态。

步骤 3: 以联机方式保存并部署模型

在此部分中，您将学习保存和部署训练的模型。

1. 保存模型。

   1. 在已完成的 Federated Learning 试验中，单击 将模型保存到项目。
   2. 为模型提供名称，然后单击 保存。
   3. 转至项目主页。

2. 如果没有部署空间，请创建部署空间。

   1. 从导航菜单 ，单击部署。
   2. 单击新建部署空间。
   3. 填写字段，然后单击 创建。

3. 将模型提升到空间。

   1. 返回到项目，然后单击 资产 选项卡。
   2. 在 模型 部分中，单击模型以查看其详细信息页面。
   3. 单击 提升到空间。
   4. 为已训练的模型选择部署空间。
   5. 选择 提升模型后转至空间中的模型 选项。
   6. 单击提升。

4. 当模型显示在部署空间内时，单击 新建部署。

   1. 选择 联机 作为 部署类型。
   2. 指定部署名称。
   3. 单击创建。

5. 单击 部署 选项卡以监视模型的部署状态。