使用PyTorch和Flower 进行联邦学习

本文将介绍如何使用 Flower 构建现有机器学习工作的联邦学习版本。我们将使用 PyTorch 在 CIFAR-10 数据集上训练卷积神经网络，然后将展示如何修改训练代码以联邦的方式运行训练。

什么是联邦学习？

我们将在这篇文章中区分两种主要方法：集中式和联邦式(本文的图例表示如下)

集中式

每个设备都会将其数据发送到全局服务器，然后服务器将使用它来训练全局模型。训练完成后服务器将经过训练的全局模型发送到设备。

这并不是我们所说的联邦学习的解决方案，传输了数据，会带来很多问题

联邦式

每个设备都不会与服务器共享数据，而是将数据保存在本地并用它来训练模型。模型的权重会被发送到全局服务器，然后全局服务器会将收到的所有权重聚合到一个全局模型中，服务器最终将经过训练的全局模型发送到设备。这种方式是一般形式的联邦学习，它的主要优点是保护用户的隐私，避免数据泄露。

我们先完成集中式训练代码，因为该训练模式基本上与传统的PyTorch 训练相同，然后再将其改为联邦学习的方式。

集中式 PyTorch 训练

让我们创建一个名为 cifar.py 的新文件，其中包含在 CIFAR-10 上进行传统（集中式）训练所需的所有组件。首先，需要导入所有的包（例如 torch 和 torchvision）。我们现在没有导入任何用于联邦学习的包。可以稍后再进行导入。

模型架构（一个非常简单的卷积神经网络）在 Net() 类中定义。

class Net(nn.Module):

   def __init__(self) -> None:

       super(Net, self).__init__()

       self.conv1 = nn.Conv2d(3, 6, 5)

       self.pool = nn.MaxPool2d(2, 2)

       self.conv2 = nn.Conv2d(6, 16, 5)

       self.fc1 = nn.Linear(16 * 5 * 5, 120)

       self.fc2 = nn.Linear(120, 84)

       self.fc3 = nn.Linear(84, 10)

   def forward(self, x: Tensor) -> Tensor:

       x = self.pool(F.relu(self.conv1(x)))

       x = self.pool(F.relu(self.conv2(x)))

       x = x.view(-1, 16 * 5 * 5)

       x = F.relu(self.fc1(x))

       x = F.relu(self.fc2(x))

       x = self.fc3(x)

       return x

load_data() 函数加载 CIFAR-10 训练和测试集。转换在加载后规范化了数据。

DATA_ROOT = "~/data/cifar-10"

def load_data() -> Tuple[

   torch.utils.data.DataLoader,

   torch.utils.data.DataLoader,

   Dict

]:

   """Load CIFAR-10 (training and test set)."""

   transform = transforms.Compose(

      [transforms.ToTensor(),

        transforms.Normalize(

            (0.5, 0.5, 0.5),

            (0.5, 0.5, 0.5)

        )

      ]

  )

   trainset = CIFAR10(DATA_ROOT,

                      train=True,

                      download=True,

                      transform=transform)

   trainloader = torch.utils.data.DataLoader(trainset,

                                             batch_size=32,

                                             shuffle=True)

   testset = CIFAR10(DATA_ROOT,

                     train=False,

                     download=True,

                     transform=transform)

   testloader = torch.utils.data.DataLoader(testset,

                                            batch_size=32,

                                            shuffle=False)

   num_examples = {"trainset" : len(trainset), "testset" : len(testset)}

   return trainloader, testloader, num_examples

我们现在需要定义训练函数 train()，它循环遍历训练集、计算损失、反向传播，然后对每批训练执行一个优化步骤。

模型的评估在函数 test() 中定义。该函数遍历所有测试样本并根据测试数据集测量模型的损失。

def train(

   net: Net,

   trainloader: torch.utils.data.DataLoader,

   epochs: int,

   device: torch.device,

) -> None:

   """Train the network."""

   # Define loss and optimizer

   criterion = nn.CrossEntropyLoss()

   optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

   print(f"Training {epochs} epoch(s) w/ {len(trainloader)} batches each")

   # Train the network

   for epoch in range(epochs):  # loop over the dataset multiple times

       running_loss = 0.0

       for i, data in enumerate(trainloader, 0):

           images, labels = data[0].to(device), data[1].to(device)

           # zero the parameter gradients

           optimizer.zero_grad()

           # forward + backward + optimize

           outputs = net(images)

           loss = criterion(outputs, labels)

           loss.backward()

           optimizer.step()

           # print statistics

           running_loss += loss.item()

           if i % 100 == 99:  # print every 100 mini-batches

               print("[%d, %5d] loss: %.3f" % (epoch + 1,

                                               i + 1,

                                               running_loss / 2000))

               running_loss = 0.0

def test(

   net: Net,

   testloader: torch.utils.data.DataLoader,

   device: torch.device,

) -> Tuple[float, float]:

   """Validate the network on the entire test set."""

   criterion = nn.CrossEntropyLoss()

   correct = 0

   total = 0

   loss = 0.0

   with torch.no_grad():

       for data in testloader:

           images, labels = data[0].to(device), data[1].to(device)

           outputs = net(images)

           loss += criterion(outputs, labels).item()

           _, predicted = torch.max(outputs.data, 1)

           total += labels.size(0)

           correct += (predicted == labels).sum().item()

   accuracy = correct / total

   return loss, accuracy

定义了数据加载、模型架构、训练和评估后，我们可以将所有内容放在一起并在 CIFAR-10 上训练我们的 CNN。

def main():

   DEVICE = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

   print("Centralized PyTorch training")

   print("Load data")

   trainloader, testloader, _ = load_data()

   print("Start training")

   net=Net().to(DEVICE)

   train(net=net, trainloader=trainloader, epochs=2, device=DEVICE)

   print("Evaluate model")

   loss, accuracy = test(net=net, testloader=testloader, device=DEVICE)

   print("Loss: ", loss)

   print("Accuracy: ", accuracy)

if __name__ == "__main__":

   main()

现在就可以直接运行了：

python3 cifar.py

到目前为止，如果你以前使用过 PyTorch，这一切看起来应该相当熟悉。下面开始进入正题，我们开始构建一个简单的联邦学习系统，该系统由一个服务器和两个客户端组成。

PyTorch的联邦学习

我们已经在单个数据集 (CIFAR-10) 上训练了模型， 我们称之为集中学习。这种集中学习的概念是我们以前常用的方式。通常，如果你想以联邦学习的方式运行，则必须更改大部分代码并从头开始设置所有内容。但是，这里有一个包 Flower，它可以将预先存在的代码以联邦学习运行（当然需要少量的修改）。

既然是联邦学习，我们必须有服务器，然后 cifar.py 代码也需要连接到服务器的客户端。服务器向客户端发送模型参数。客户端运行训练并更新参数。更新后的参数被发送回服务器，服务器对所有接收到的参数更新进行平均，这就是联邦学习的一个简单的流程。

我们这个例子是由一台服务器和两个客户端组成。我们先设置server.py。服务端需要导入Flower包flwr，然后使用 start_server 函数启动服务器并告诉它执行三轮联邦学习。

然后就可以启动服务器了：

python3 server.py

我们还要在 client.py 中定义客户端逻辑，主要就是将之前在 cifar.py 中定义的集中训练的代码进行整合：

Flower 客户端需要实现 flwr.client.Client 或 flwr.client.NumPyClient 类。这里的实现将基于 flwr.client.NumPyClient，我们将其称为 CifarClient。因为我们使用了 NumPy ，而PyTorch 或 TensorFlow/Keras）都是直接是吃NumPy的互操作，所以使用NumPyClient 比 Client 更容易。

完成我们的CifarClient需要实现四个方法，两个获取/设置模型参数的方法，一个训练模型的方法，一个测试模型的方法：

1、set_parameters

这个方法有2个作用：

在从服务器接收的本地模型上设置模型参数

遍历作为 NumPy ndarray 接收的模型参数列表

2、get_parameters

获取模型参数并将它们作为 NumPy ndarray 的列表返回（这是 flwr.client.NumPyClient 所需要的）

3、fit

一看就知道，这是训练本地模型的方法，它有3个作用：

使用从服务器接收到的参数更新本地模型的参数

在本地训练集上训练模型

训练本地模型，并将权重上传服务器

4、evaluate

验证模型的方法：

从服务器接收到的参数更新本地模型的参数

在本地测试集上评估更新后的模型

将本地损失和准确率等指标返回给服务器

我们先前在 cifar.py 中定义的函数 train() 和 test()可以作为 fit 和 evaluate 使用。所以在这里真正要做的是通过我们的 NumPyClient 类告诉 Flower 已经定义的哪些函数，剩下的两个方法实现起来也不复杂：

class CifarClient(fl.client.NumPyClient):

   """Flower client implementing CIFAR-10 image classification using

  PyTorch."""

   def __init__(

       self,

       model: cifar.Net,

       trainloader: torch.utils.data.DataLoader,

       testloader: torch.utils.data.DataLoader,

       num_examples: Dict,

  ) -> None:

       self.model = model

       self.trainloader = trainloader

       self.testloader = testloader

       self.num_examples = num_examples

   def get_parameters(self, config) -> List[np.ndarray]:

       # Return model parameters as a list of NumPy ndarrays

       return [val.cpu().numpy() for _, val in self.model.state_dict().items()]

   def set_parameters(self, parameters: List[np.ndarray]) -> None:

       # Set model parameters from a list of NumPy ndarrays

       params_dict = zip(self.model.state_dict().keys(), parameters)

       state_dict = OrderedDict({k: torch.tensor(v) for k, v in params_dict})

       self.model.load_state_dict(state_dict, strict=True)

   def fit(

       self, parameters: List[np.ndarray], config: Dict[str, str]

  ) -> Tuple[List[np.ndarray], int, Dict]:

       # Set model parameters, train model, return updated model parameters

       self.set_parameters(parameters)

       cifar.train(self.model, self.trainloader, epochs=1, device=DEVICE)

       return self.get_parameters(config={}), self.num_examples["trainset"], {}

   def evaluate(

       self, parameters: List[np.ndarray], config: Dict[str, str]

  ) -> Tuple[float, int, Dict]:

       # Set model parameters, evaluate model on local test dataset, return result

       self.set_parameters(parameters)

       loss, accuracy = cifar.test(self.model, self.testloader, device=DEVICE)

       return float(loss), self.num_examples["testset"], {"accuracy": float(accuracy)}

最后我们要定义一个函数来加载模型和数据，创建并启动这个CifarClient客户端。

def main() -> None:

   """Load data, start CifarClient."""

   # Load model and data

   model = cifar.Net()

   model.to(DEVICE)

   trainloader, testloader, num_examples = cifar.load_data()

   # Start client

   client = CifarClient(model, trainloader, testloader, num_examples)

   fl.client.start_numpy_client(server_address="0.0.0.0:8080", client)

if __name__ == "__main__":

   main()

这样就完成了。现在可以打开两个额外的终端窗口并运行（因为我们要演示2个客户端的联邦学习）

python3 client.py

在每个窗口中（请确保前面的服务器正在运行）可以看到你的PyTorch 项目在两个客户端上进行训练了。

总结

本文介绍了如何使用Flower将我们原有pytorch代码改造为联邦学习的方式进行训练，完整的代码可以在这里找到：

https://github.com/adap/flower/tree/main/examples/pytorch_from_centralized_to_federated

作者：Charles Beauville