FATE —— 二.2.4 Homo-NN自定义模型

前言
FATE版本为1.10.0单机部署版,win10+
构建模型
在FATE 1.10.0中,您可以使用管道提交 模型 。然而,模型结合的内置层可能不足以表示更复杂的模型 。例如,当构建与中发现的模块类似的剩余模块时,需要重用某些模块的输出,这可能无法使用模型 。
为了解决这个问题,FATE 1.10.0中引入了模块,该模块位于.nn.下 。该模块允许您自定义自己的模型,前提是它是基于torch.nn.开发的并实现了转发接口 。有关更多信息,请参阅自定义模块上的文档模块 。要在联合任务中使用自定义模型,只需将其放置在/nn/目录中,并在提交任务时通过接口指定模块和模型类 。Homo NN将自动搜索并导入您已实现的模型 。
例如,考虑MNIST手写识别的任务 。我们可以先在本地编写一个带有残余连接的简单神经网络模块,然后在联合任务中使用它 。
定制模型
将模型代码命名为.py,您可以将其直接放在/nn/下,也可以使用笔记本的快捷界面将其直接保存到/nn/
frompipeline.component.nnimportsave_to_fate
%%save_to_fate model image_net.pyimport torch as tfrom torch import nnfrom torch.nn import Module# the residual componentclass Residual(Module):def __init__(self, ch, kernel_size=3, padding=1):super(Residual, self).__init__()self.convs = t.nn.ModuleList([nn.Conv2d(ch, ch, kernel_size=kernel_size, padding=padding) for i in range(2)])self.act = nn.ReLU()def forward(self, x):x = self.act(self.convs[0](x))x_ = self.convs[1](x)return self.act(x + x_)# we call it image netclass ImgNet(nn.Module):def __init__(self, class_num=10):super(ImgNet, self).__init__()self.seq = t.nn.Sequential(nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5),Residual(12),nn.MaxPool2d(kernel_size=3),nn.Conv2d(in_channels=12, out_channels=12, kernel_size=3),Residual(12),nn.AvgPool2d(kernel_size=3))self.fc = t.nn.Sequential(nn.Linear(48, 32),nn.ReLU(),nn.Linear(32, class_num))self.softmax = nn.Softmax(dim=1)def forward(self, x):x = self.seq(x)x = x.flatten(start_dim=1)x = self.fc(x)if self.training:return xelse:return self.softmax(x)
img_model = ImgNet(10)img_model

FATE —— 二.2.4 Homo-NN自定义模型

文章插图
ImgNet((seq): Sequential((0): Conv2d(3, 12, kernel_size=(5, 5), stride=(1, 1))(1): Residual((convs): ModuleList((0): Conv2d(12, 12, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): Conv2d(12, 12, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)))(act): ReLU())(2): MaxPool2d(kernel_size=3, stride=3, padding=0, dilation=1, ceil_mode=False)(3): Conv2d(12, 12, kernel_size=(3, 3), stride=(1, 1))(4): Residual((convs): ModuleList((0): Conv2d(12, 12, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): Conv2d(12, 12, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)))(act): ReLU())(5): AvgPool2d(kernel_size=3, stride=3, padding=0))(fc): Sequential((0): Linear(in_features=48, out_features=32, bias=True)(1): ReLU()(2): Linear(in_features=32, out_features=10, bias=True))(softmax): Softmax(dim=1))
from federatedml.nn.dataset.image import ImageDatasetds = ImageDataset()ds.load('/mnt/hgfs/mnist/')
ds.get_sample_ids()[0]# 数据展示ds[0]
运行本地测试
我们可以使用我们的数据集、自定义模型和进行本地调试,以测试程序是否可以运行 。在本地测试的情况下,将跳过所有联合过程,并且模型将不执行fed平均 。
import torch as tfrom federatedml.nn.homo.trainer.fedavg_trainer import FedAVGTrainertrainer = FedAVGTrainer(epochs=3, batch_size=256, shuffle=True, data_loader_worker=8, pin_memory=False) trainer.set_model(img_model) # set model
trainer.local_mode() # !! use local mode to skip federation process !!
optimizer = t.optim.Adam(img_model.parameters(), lr=0.01)loss = t.nn.CrossEntropyLoss()trainer.train(train_set=ds, optimizer=optimizer, loss=loss)
它起作用了!现在我们可以提交联合任务了 。
FATE —— 二.2.4 Homo-NN自定义模型

文章插图
提交具有自定义模型的Homo NN任务
import torch as tfrom torch import nnfrom pipeline import fate_torch_hookfrom pipeline.component import HomoNNfrom pipeline.backend.pipeline import PipeLinefrom pipeline.component import Reader, Evaluation, DataTransformfrom pipeline.interface import Data, Modelt = fate_torch_hook(t)
import os# bind data path to name & namespace# fate_project_path = os.path.abspath('../../../../')host = 10000guest = 9999arbiter = 10000pipeline = PipeLine().set_initiator(role='guest', party_id=guest).set_roles(guest=guest, host=host,arbiter=arbiter)data_0 = {"name": "mnist_guest", "namespace": "experiment"}data_1 = {"name": "mnist_host", "namespace": "experiment"}# 路径根据自己得文件位置及名称进行调整,这里以FATE 1.10.0 版本为例data_path_0 = '/mnt/hgfs/mnist/'data_path_1 = '/mnt/hgfs/mnist/'pipeline.bind_table(name=data_0['name'], namespace=data_0['namespace'], path=data_path_0)pipeline.bind_table(name=data_1['name'], namespace=data_1['namespace'], path=data_path_1)
{'': '', '': ''}
# 定义readerreader_0 = Reader(name="reader_0")reader_0.get_party_instance(role='guest', party_id=guest).component_param(table=data_0)reader_0.get_party_instance(role='host', party_id=host).component_param(table=data_1)
nn.
在之后,我们可以使用t.nn.来指定模型 。您应该在此处指定模块名和类名 。也可以在此设置模型初始化参数 。初始化参数必须是JSON可序列化的,否则无法提交此 。
from pipeline.component.homo_nn import DatasetParam, TrainerParammodel = t.nn.Sequential(# the class_num=10 is the initialzation parameter for your modelt.nn.CustModel(module_name='image_net', class_name='ImgNet', class_num=10) )nn_component = HomoNN(name='nn_0',model=model, # your cust modelloss=t.nn.CrossEntropyLoss(),optimizer=t.optim.Adam(model.parameters(), lr=0.01),dataset=DatasetParam(dataset_name='image'),# use image datasettrainer=TrainerParam(trainer_name='fedavg_trainer', epochs=3, batch_size=1024, validation_freqs=1),torch_seed=100 # global random seed)
pipeline.add_component(reader_0)pipeline.add_component(nn_component, data=http://www.kingceram.com/post/Data(train_data=reader_0.output.data))pipeline.add_component(Evaluation(name='eval_0', eval_type='multi'), data=Data(data=nn_component.output.data))
【FATE —— 二.2.4 Homo-NN自定义模型】pipeline.compile()pipeline.fit()