FedYogi

class FedYogi(*, fraction_fit: float = 1.0, fraction_evaluate: float = 1.0, min_fit_clients: int = 2, min_evaluate_clients: int = 2, min_available_clients: int = 2, evaluate_fn: Callable[[int, List[ndarray[Any, dtype[Any]]], Dict[str, bool | bytes | float | int | str]], Tuple[float, Dict[str, bool | bytes | float | int | str]] | None] | None = None, on_fit_config_fn: Callable[[int], Dict[str, bool | bytes | float | int | str]] | None = None, on_evaluate_config_fn: Callable[[int], Dict[str, bool | bytes | float | int | str]] | None = None, accept_failures: bool = True, initial_parameters: Parameters, fit_metrics_aggregation_fn: Callable[[List[Tuple[int, Dict[str, bool | bytes | float | int | str]]]], Dict[str, bool | bytes | float | int | str]] | None = None, evaluate_metrics_aggregation_fn: Callable[[List[Tuple[int, Dict[str, bool | bytes | float | int | str]]]], Dict[str, bool | bytes | float | int | str]] | None = None, eta: float = 0.01, eta_l: float = 0.0316, beta_1: float = 0.9, beta_2: float = 0.99, tau: float = 0.001)

基类：FedOpt

FedYogi [Reddi 等人，2020] 策略。

实施基于 https://arxiv.org/abs/2003.00295v5

参数:

• fraction_fit (float, optional) -- 训练期间使用客户的比例。默认为 1.0。

• fraction_evaluate (float, optional) -- 验证过程中使用的客户端比例。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 -- 用于验证的可选函数。默认为 "无"。

• Dict[str -- 用于验证的可选函数。默认为 "无"。

• 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) -- 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。

• eta (float, optional) -- Server-side learning rate. Defaults to 1e-2.

• eta_l (float, optional) -- Client-side learning rate. Defaults to 0.0316.

• beta_1 (float, optional) -- 动量参数。默认为 0.9。

• beta_2 (float, optional) -- 第二动量参数。默认为 0.99。

• tau (float, optional) -- Controls the algorithm's degree of adaptability. Defaults to 1e-3.

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]]

配置下一轮训练。

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。