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 13:33:16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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp论坛排行榜项目中的错误日志规范要求3 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中React实验项目的分类修正6 freeCodeCamp课程视频测验中的Tab键导航问题解析7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 LabVIEW串口通信开发全攻略:从入门到精通的完整解决方案 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8