【亲测免费】 FedProx: 联邦学习在异构网络中的优化教程

一、项目目录结构及介绍

FedProx 是一个基于 GitHub 的开源项目，地址为 https://github.com/litian96/FedProx，它主要聚焦于联邦学习领域，提出了“FedProx”算法，旨在解决联邦学习中数据分布不一致（统计异质性）和设备性能差异（系统异质性）的问题。以下是该项目的基本目录结构概述：

FedProx/
│
├── flearn                   # 模型和训练相关代码
│   ├── models               # 不同数据集对应的模型文件夹
│   │   ├── $DATASET         # 如mnist、femnist等的数据集特定模型
│   │   └── ...
│
├── scripts                  # 运行脚本，包括启动实验的shell脚本
│   ├── run_fedavg.sh        # 启动FedAvg协议的脚本
│   ├── run_fedprox.sh       # 启动FedProx协议的脚本
│   └── ...
│
├── main.py                  # 主运行文件，包含了执行联邦学习的核心逻辑
├── plot_final_e20.py        # 用于绘制实验结果的脚本，比如损失曲线
├── plot_fig2.py             # 绘制额外图表，如准确性与不相似度指标
│
├── README.md                # 项目简介和快速指南
├── requirements.txt         # 环境依赖列表
└── ...

二、项目的启动文件介绍

主启动文件: main.py 该文件是执行联邦学习过程的核心，支持两种主要的优化策略：FedAvg 和 FedProx。通过命令行参数指定使用的优化器、数据集、学习率等关键参数来启动联邦学习过程。

运行脚本:

• run_fedavg.sh: 用于启动基于FedAvg算法的训练流程。
• run_fedprox.sh: 针对FedProx算法的启动脚本，允许用户设置附加参数\--mu以控制proximal term的强度。

三、项目的配置文件介绍

FedProx项目并不直接提供一个单独定义的传统意义上的配置文件（如.yaml或.json），而是通过修改run_fedavg.sh和run_fedprox.sh脚本来进行配置。这些脚本内部指定了模型名称(--model), 数据集(--dataset), 学习率(--learning_rate), 训练轮数(--num_rounds)等核心参数。此外，用户可以通过修改这些脚本来微调实验设置，如客户端每轮参与的数量(--clients_per_round)、评估间隔(--eval_every)、批大小(--batch_size)、本地更新的周期(--num_epochs)以及Dropout百分比(--drop_percent)。在实际操作中，这些参数的设定需依据实验需求，且部分超参数值可以参考论文的附录。

为了具体化配置，用户通常会在脚本中按需指定不同参数，例如，对于合成数据集的实验，需要调整数据集名、选择模型、设置学习率等，并可指定是否在CPU或特定GPU上运行，通过环境变量CUDA_VISIBLE_DEVICES来控制。

结论

FedProx项目通过其脚本系统实现了一种灵活的配置方式，尽管没有传统配置文件，但通过shell脚本和命令行参数提供了丰富的定制选项，确保了研究人员和开发者能够根据不同的研究需求调整实验设置。用户应当详细阅读脚本和提供的说明，以充分利用这一框架的优势。