FedXgbNnAvg

class FedXgbNnAvg(*args: Any, **kwargs: Any)

Bases: FedAvg

可配置的 FedXgbNAvg 策略实施。

Warning

This strategy is deprecated, but a copy of it is available in Flower Baselines: https://github.com/adap/flower/tree/main/baselines/hfedxgboost.

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[Any | 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]]

配置下一轮训练。

evaluate(server_round: int, parameters: Any) → 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。