AISynergy/AISynergy-core

• AISynergy-core
• • • 协同计算框架介绍
• 内容简介
• • • 安装

AISynergy-core

AISynergy-core(AISyncore)是一个面向协同训练任务的计算框架。作为AISynergy套件的计算核心，用户需要在server服务器端配置通信端口，并启动AISyncore的服务端程序，在协同计算的参与节点上，稍加修改自定义的算法，启动client训练任务，并指定server服务器的EIP和端口，即可开始执行AISynergy协同计算任务。AISyncore框架设计的特性有：

• 易用性: AISynergy用户，只需准备好带有算法脚本的容器环境，然后在算法代码中封装一行代码（需传入【'dl_framework', 'model', 'train_ds', 'test_ds', 'train_func', 'test_func' , mindspore模型训练时可选的'callback'】），以及加入一句server端口配置的代码，即可快速启动协同训练任务。

• 框架自适应性: 用户初始化AISyncore.client.NumPyClientAdap时，传入当前算法使用的dl_framework深度学习框架字段，AISyncore即可自动适配不同框架特性，调用相应API，实现模型参数获取并上传server、server参数下拉及load进模型、模型训练、模型测试功能。用户只需执行一行代码，AISyncore.client.run_numpyAdap_client，即可启动协同训练任务。

• 可拓展性: AISyncore支持各种自定义的参数融合策略，支持训练各类自定义的算法，支持不同参与方使用异构深度学习框架。目前支持的通信协议为gRPC，后续将支持更多的通信方式，比如socket。

欢迎提问和交流，AISynergy!

[协同计算框架介绍]
[AISyncore安装]
[AISyncore快速使用手册]

协同计算框架介绍

協同計算架构如下图所示。协同计算的各参与方拥有自有数据，并且这些数据不会通过平台向第三方传播。各方参与方拥有私有的GPU、NPU、MLU、CPU算力，以及可控的本地深度学习框架（如Tensorflow、Pytorch、mindspore等）。各方参与方利用本地的算力和深度学习框架对私有数据进行训练，训练完成的结果通过协同计算平台进行融合计算。融合计算后的结果返回参与方。作为本地训练下一轮训练的模型初始值，由于本地模型训练过程中融入其他参与方的参数特征，此过程经过若干轮，本地模型的精度可以达到将数据集中训练时的模型精度。

内容简介

安装

项目拉取
git clone https://git.openi.org.cn/PCL-Platform.Intelligence/AISynergy.git
cd AISynergy/AISynergy-core

# 源码安装
python setup.py bdist_wheel
pip install dist/*

# 快速使用手册
用户编写好模型训练的算法后，此时算法应该定义了[model, train_dataset, test_dataset, train_function, test_function]。只需修改几行代码，并明确算法使用的深度学习框架dl_framework，即可自适应框架，启动协同训练的服务端和客户端。客户端自适应框架接口为run_numpyAdap_client，目前支持将mindspore、pytorch框架的模型参数自动转换为numpy list进行通信传输。
### 1、在配置外网IP的参数服务器上
    # 导入AISyncore
    import AISyncore as aisc
    # 定义参数融合策略strategy，默认采用联邦平均
    strategy = aisc.server.strategy.FedAvg()
    # 启动参数服务器（分配端口、配置融合轮次、导入融合策略、【可选】配置gRPC通信传输pb序列的限制长度）
    aisc.server.run_server(
        server_address="[::]:30003",
        config={"num_rounds": 3},
        strategy=strategy,
        grpc_max_message_length=1536870912,
    )
### 2、在训练参与方服务器上
    # 导入AISyncore
    import AISyncore as aisc
    # 传入算法使用深度学习框架字符串，如'pytorch', 'mindspore'，定义参数融合策略strategy，默认采用联邦平均
    client = aisc.client.NumPyClientAdap('{your_algorithm_framework}', model, train_dataset, test_dataset, train_function, test_function, callbacks=None)  # 注意如果使用mindspore框架进行训练，通常需要定义相关的回调函数callbacks
    # 启动参数服务器（分配端口、配置融合轮次、导入融合策略、【可选】配置gRPC通信传输pb序列的限制长度）
    aisc.client.run_numpyAdap_client("your_server_EIP:port", client)