FedProx#

基类：FedAvg

联邦优化策略。

实施基于 https://arxiv.org/abs/1812.06127

策略本身与 FedAvg 并无不同，客户端需要进行调整。在训练过程中，需要在损失函数中添加一个近端项：

\[\begin{split}\\frac{\\mu}{2} || w - w^t ||^2\end{split}\]

其中，$w^t$ 是全局参数，$w$ 是优化函数的局部权重。

例如，在 PyTorch 中，损失将从：

loss = criterion(net(inputs), labels)

致：

for local_weights, global_weights in zip(net.parameters(), global_params):
    proximal_term += (local_weights - global_weights).norm(2)
loss = criterion(net(inputs), labels) + (config["proximal_mu"] / 2) *
proximal_term

其中，"global_params "是训练前的参数副本。

global_params = copy.deepcopy(net).parameters()

参数:

fraction_fit (float, optional) -- 训练过程中使用的客户端比例。如果 min_fit_clients 大于 fraction_fit * available_clients，则仍会对 min_fit_clients 进行采样。默认为 1.0。
fraction_evaluate (float, optional) -- 验证过程中使用的客户端的比例。如果 min_evaluate_clients 大于 fraction_evaluate * available_clients，则仍会对 min_evaluate_clients 进行采样。默认为 1.0。
min_fit_clients (int, optional) -- 训练期间使用的最少客户数。默认为 2。
min_evaluate_clients (int, optional) -- 验证过程中使用的最少客户端数量。默认为 2。
min_available_clients (int, optional) -- 系统中客户总数的最小值。默认为 2。
evaluate_fn (Optional[Callable[[int, NDArrays, Dict[str, Scalar]], Optional[Tuple[float, Dict[str, Scalar]]]]]) -- 用于验证的可选函数。默认为 "无"。
on_fit_config_fn (Callable[[int], Dict[str, Scalar]], optional) -- 用于配置训练的功能。默认为 "无"。
on_evaluate_config_fn (Callable[[int], Dict[str, Scalar]], optional) -- 用于配置验证的函数。默认为 "无"。
accept_failures (bool, optional) -- 是否接受包含失败的轮。默认为 True。
initial_parameters (Parameters, optional) -- 初始全局模型参数。
fit_metrics_aggregation_fn (Optional[MetricsAggregationFn]) -- 指标汇总功能，可选。
evaluate_metrics_aggregation_fn (Optional[MetricsAggregationFn]) -- 指标汇总功能，可选。
proximal_mu (float) -- 优化中使用的近端项权重。0.0 使该策略等同于 FedAvg，系数越大，使用的正则化就越多（也就是说，在训练过程中，客户端参数需要更接近服务器参数）。

Methods

`aggregate_evaluate`(server_round, results, ...)	采用加权平均法计算评估损失总额。
`aggregate_fit`(server_round, results, failures)	使用加权平均法汇总拟合结果。
`configure_evaluate`(server_round, parameters, ...)	配置下一轮评估。
`configure_fit`(server_round, parameters, ...)	配置下一轮训练。
`evaluate`(server_round, parameters)	使用评估函数评估模型参数。
`initialize_parameters`(client_manager)	初始化全局模型参数。
`num_evaluation_clients`(num_available_clients)	使用部分可用客户进行评估。
`num_fit_clients`(num_available_clients)	返回样本大小和所需的可用客户数量。

aggregate_evaluate(server_round: int, results: List[Tuple[ClientProxy, EvaluateRes]], failures: List[Tuple[ClientProxy, EvaluateRes] | BaseException]) → Tuple[float | None, Dict[str, bool | bytes | float | int | str]]#: 采用加权平均法计算评估损失总额。

aggregate_fit(server_round: int, results: List[Tuple[ClientProxy, FitRes]], failures: List[Tuple[ClientProxy, FitRes] | BaseException]) → Tuple[Parameters | None, Dict[str, bool | bytes | float | int | str]]#: 使用加权平均法汇总拟合结果。

configure_evaluate(server_round: int, parameters: Parameters, client_manager: ClientManager) → List[Tuple[ClientProxy, EvaluateIns]]#: 配置下一轮评估。

configure_fit(server_round: int, parameters: Parameters, client_manager: ClientManager) → List[Tuple[ClientProxy, FitIns]][源代码]#

配置下一轮训练。

向客户发送近端因子mu

evaluate(server_round: int, parameters: Parameters) → Tuple[float, Dict[str, bool | bytes | float | int | str]] | None#: 使用评估函数评估模型参数。

initialize_parameters(client_manager: ClientManager) → Parameters | None#: 初始化全局模型参数。

num_evaluation_clients(num_available_clients: int) → Tuple[int, int]#: 使用部分可用客户进行评估。

num_fit_clients(num_available_clients: int) → Tuple[int, int]#: 返回样本大小和所需的可用客户数量。