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 00:24:45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")