Tensorflow联邦的局部模型性能

Question

我正在通过tensorflow联邦实现联邦学习。本教程和所有其他可用的材料比较了联邦(全局)模型在每一轮通信之后的准确性。是否有一种方法可以计算每个局部模型与联邦(全局)模型的准确性。

摘要:客户总数:每轮通信15次:本地与联邦模型性能

参考文献：

1. (R)

Answer 1

我不知道如何使用tff.learning.build_federated_averaging_process实现这一点，但我建议您看看这个简单的fedavg实现。在这里，您可以对每个客户端使用与服务器模型相同的test_data -the计算数据集。我建议你去做client_test_datasets = [test_data for x in sampled_train_ids]。然后将其作为iterative_process.next(server_state, sampled_train_data, client_test_datasets )传递。在这里，您需要更改run_one_round和client_update_fn在simple_fedavg_tff.py中的签名。在每种情况下，来自测试数据集的签名应与训练数据集的签名相同。不要忘记实际通过适当的测试数据集作为每个测试数据的输入。现在转到simple_fedavg_tf.py，并更改您的client_update。在这里，您基本上需要编写非常类似于服务器模型的评估。然后，如果希望或更改每个级别的(tf.function, tff.tf_computation, and tff.federated_computation)的输出，则打印评估结果，并将eval结果作为输出传递。如果您这样做，不要忘记更新iterative_process.next的输出。

编辑:我认为当测试数据集与服务器测试数据集相同时，您需要客户端的准确性。