VectorInstitute/fed-rag项目:从集中式训练快速迁移到联邦学习实战指南
2025-06-19 23:08:05作者:虞亚竹Luna
前言
在当今数据隐私日益重要的背景下,联邦学习(Federated Learning)作为一种分布式机器学习范式,允许模型在分散的数据上进行训练而无需集中数据。VectorInstitute的fed-rag项目为开发者提供了一套简洁的工具,能够轻松将传统的集中式训练任务转换为联邦学习任务。本文将详细介绍这一转换过程。
环境准备
首先需要安装fed-rag库及其依赖:
pip install fed-rag
该库基于PyTorch框架构建,安装时会自动包含PyTorch和联邦学习后端框架flwr(Flower)。
集中式训练基础
在开始联邦学习之前,我们需要先建立一个标准的集中式训练流程,这是理解后续联邦化改造的基础。
模型定义
我们使用一个简单的多层感知机(MLP)作为示例模型:
import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(torch.nn.Module):
def __init__(self) -> None:
super(Net, self).__init__()
self.fc1 = nn.Linear(42, 120) # 输入特征维度42
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 2) # 输出2分类
def forward(self, x: torch.Tensor) -> torch.Tensor:
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
return self.fc3(x)
训练循环实现
标准的PyTorch训练循环,包含梯度计算和参数更新:
from torch.types import Device
from torch.utils.data import DataLoader
def train_loop(
model: torch.nn.Module,
train_data: DataLoader,
val_data: DataLoader,
device: Device,
num_epochs: int,
learning_rate: float | None,
) -> TrainResult:
"""自定义训练循环"""
model.to(device)
criterion = torch.nn.CrossEntropyLoss().to(device)
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, momentum=0.9)
model.train()
running_loss = 0.0
for _ in range(num_epochs):
for batch in train_data:
features = batch["features"]
labels = batch["label"]
optimizer.zero_grad()
loss = criterion(model(features.to(device)), labels.to(device))
loss.backward()
optimizer.step()
running_loss += loss.item()
avg_trainloss = running_loss / len(train_data)
return TrainResult(loss=avg_trainloss)
评估函数
模型性能评估函数,计算准确率和损失:
def test(m: torch.nn.Module, test_loader: DataLoader) -> TestResult:
"""模型评估函数"""
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
m.to(device)
criterion = torch.nn.CrossEntropyLoss()
correct, loss = 0, 0.0
with torch.no_grad():
for batch in test_loader:
features = batch["features"].to(device)
labels = batch["label"].to(device)
outputs = m(features)
loss += criterion(outputs, labels).item()
correct += (torch.max(outputs.data, 1)[1] == labels).sum().item()
accuracy = correct / len(test_loader.dataset)
return TestResult(loss=loss, metrics={"accuracy": accuracy})
联邦化改造
现在我们将上述集中式训练流程改造为联邦学习模式,这是fed-rag项目的核心价值所在。
训练和测试函数联邦化装饰
使用fed-rag提供的装饰器对原有函数进行改造:
from fed_rag.decorators import federate
# 应用联邦化装饰器
train_loop = federate.trainer.pytorch(train_loop)
test = federate.tester.pytorch(test)
这些装饰器会自动分析函数的输入输出,使其适应联邦学习的特殊需求。
创建联邦学习任务
将装饰后的函数组合成联邦学习任务:
from fed_rag.fl_tasks.pytorch import PyTorchFLTask
fl_task = PyTorchFLTask.from_trainer_and_tester(
trainer=train_loop,
tester=test
)
构建联邦学习网络
创建服务器和客户端实例:
# 服务器端
model = Net()
server = fl_task.server(model=model)
# 客户端(示例创建2个)
clients = []
for i in range(2):
train_data, val_data = get_loaders(partition_id=i) # 获取分区数据
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
client = fl_task.client(
model=model,
train_data=train_data,
val_data=val_data,
device=device,
num_epochs=1, # 联邦学习中通常每个客户端训练1个epoch
learning_rate=0.1
)
clients.append(client)
启动联邦训练
启动服务器和客户端进程(实际部署时需要在不同进程中运行):
import flwr as fl
# 启动服务器(阻塞)
fl.server.start_server(server=server, server_address="[::]:8080")
# 启动客户端(需要分别在独立进程中运行)
fl.client.start_client(client=clients[0], server_address="[::]:8080")
fl.client.start_client(client=clients[1], server_address="[::]:8080")
关键点解析
- 数据分区:每个客户端拥有独立的数据分区,这是联邦学习的核心特征
- 训练流程:客户端本地训练后,只上传模型参数而非原始数据
- 参数聚合:服务器负责聚合各客户端的模型更新
- 通信协议:使用flwr框架的标准联邦学习通信协议
最佳实践建议
- 客户端数量:根据实际数据分布情况确定合适的客户端数量
- 本地训练轮数:通常设置为1,避免客户端过拟合本地数据
- 学习率调整:联邦学习可能需要比集中式训练更小的学习率
- 模型初始化:确保所有客户端使用相同的初始模型参数
总结
通过fed-rag项目,我们能够以最小的代码改动将传统的集中式训练任务转换为联邦学习任务。这种转换保持了原有PyTorch编程习惯的同时,增加了数据隐私保护能力。本文展示的流程可以作为联邦学习入门的基础模板,开发者可以根据实际需求进行扩展和优化。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K