HiStar/secure_aggregation/examples/toymodel

• 简单示例
• • 演示示例
  • • 非联邦学习实现代码
    • 联邦学习实现代码
    • • 修改前(非联邦学习)
      • 修改后(联邦学习)
    • 本地代码差异比较

简单示例

本节以两个全连接层加一个激活函函数的简单模型为例，向读者演示利用 HiStar 将深度学习算法转换为联邦学习算法进行隐私保护下的训练过程，通过学习本节内容，读者可以了解 HiStar 的具体使用方法。

演示示例

非联邦学习实现代码

要实现非联邦情况下模型微调，参与微调的用户可以利用自己的数据，直接运行原始代码:

python client_origin.py

联邦学习实现代码

聚合服务器按照如下步骤修改“python server.py”中的代码:

server = HiStar.ServerWorker(None, host, port, device='cpu', verbose=False) 

1. 将“host”修改为“0.0.0.0”；
2. 将“port”修改为服务器当前端口地址。

修改完成后运行。

python server.py

按照以下步骤修改参与联邦学习的用户代码：

import HiStar
client = HiStar.WebsocketClientWorker(None, host, port, rank=rank, client_num=client_num, device=device)

1. 将“host”改为聚合服务器的IP地址；

2. 将“port”改为聚合服务器的端口地址；

3. 将代码中的“rank”改为事先约定好的序号；

4. 将代码中“client_num”替换为当前参与联邦的用户人数。

完成上述修改后，参与联邦的用户在原有代码中构建模型前添加修改后的代码后，利用本地数据各自运行以下三个修改后的微调代码，开始联邦微调。

python client0.py

python client1.py

python client2.py

在本示例中，用户1在联邦前后的代码变化如下：

修改前(非联邦学习)

346  
347  
348 
349 optimizer = torch.optim.AdamW(model.parameters(), lr = args.lr)
350 scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, 500, eta_min=1e-6)
351 
352 

修改后(联邦学习)

346 import HiStar # import our model 
347 client = HiStar.ClientWorker(None, "127.0.0.1", 9001, rank=0, client_num=3, device=device, verbose=False) # setup the client 
348 
349 optimizer = torch.optim.AdamW(model.parameters(), lr = args.lr)
350 scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, 500, eta_min=1e-6)
351
352 optimizer = HiStar.FedOptim(optimizer, client) # wrap the optimizer

本地代码差异比较