我正在使用英特尔 OpenFL 进行联合学习实验。我想使用不同的非同一性场景分发我的数据集 (MNIST)。我正在关注他们的官方文档：https ://openfl.readthedocs.io/en/latest/source/utilities/splitters_data.html
这是我原来的工作代码：
"""Mnist Shard Descriptor."""
import logging
import os
from typing import List
import numpy as np
import requests
from openfl.interface.interactive_api.shard_descriptor import ShardDataset
from openfl.interface.interactive_api.shard_descriptor import ShardDescriptor
logger = logging.getLogger(__name__)
class MnistShardDataset(ShardDataset):
"""Mnist Shard dataset class."""
def __init__(self, x, y, data_type, rank=1, worldsize=1):
"""Initialize MNISTDataset."""
self.data_type = data_type
self.rank = rank
self.worldsize = worldsize
self.x = x[self.rank - 1::self.worldsize]
self.y = y[self.rank - 1::self.worldsize]
def __getitem__(self, index: int):
"""Return an item by the index."""
return self.x[index], self.y[index]
def __len__(self):
"""Return the len of the dataset."""
return len(self.x)
class MnistShardDescriptor(ShardDescriptor):
"""Mnist Shard descriptor class."""
def __init__(
self,
rank_worldsize: str = '1, 1',
**kwargs
):
"""Initialize MnistShardDescriptor."""
self.rank, self.worldsize = tuple(int(num) for num in rank_worldsize.split(','))
(x_train, y_train), (x_test, y_test) = self.download_data()
self.data_by_type = {
'train': (x_train, y_train),
'val': (x_test, y_test)
}
def get_shard_dataset_types(self) -> List[str]:
"""Get available shard dataset types."""
return list(self.data_by_type)
def get_dataset(self, dataset_type='train'):
"""Return a shard dataset by type."""
if dataset_type not in self.data_by_type:
raise Exception(f'Wrong dataset type: {dataset_type}')
return MnistShardDataset(
*self.data_by_type[dataset_type],
data_type=dataset_type,
rank=self.rank,
worldsize=self.worldsize
)
@property
def sample_shape(self):
"""Return the sample shape info."""
return ['28', '28', '1']
@property
def target_shape(self):
"""Return the target shape info."""
return ['28', '28', '1']
@property
def dataset_description(self) -> str:
"""Return the dataset description."""
return (f'Mnist dataset, shard number {self.rank}'
f' out of {self.worldsize}')
def download_data(self):
"""Download prepared dataset."""
local_file_path = 'mnist.npz'
mnist_url = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz'
response = requests.get(mnist_url)
with open(local_file_path, 'wb') as f:
f.write(response.content)
with np.load(local_file_path) as f:
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
#x_train = np.reshape(x_train, (-1, 784))
#x_test = np.reshape(x_test, (-1, 784))
os.remove(local_file_path) # remove mnist.npz
print('Mnist data was loaded!')
return (x_train, y_train), (x_test, y_test)
基本上，我以这种方式在我的两个联邦节点中更改了 MnistShardDescriptor 类：
...
class MnistShardDescriptor(ShardDescriptor):
"""Mnist Shard descriptor class."""
def __init__(
self,
rank_worldsize: str = '1, 1',
**kwargs
):
"""Initialize MnistShardDescriptor."""
self.rank, self.worldsize = tuple(int(num) for num in rank_worldsize.split(','))
(x_train, y_train), (x_test, y_test) = self.download_data()
train_splitter = RandomNumPyDataSplitter()
test_splitter = RandomNumPyDataSplitter()
train_idx = train_splitter.split(y_train, self.worldsize)[self.rank]
test_idx = test_splitter.split(y_test, self.worldsize)[self.rank]
x_train_shard = x_train[train_idx]
x_test_shard = x_test[test_idx]
self.data_by_type = {
'train': (x_train, y_train),
'val': (x_test, y_test)
}
...
我在该行有此错误train_idx：IndexError: list index out of range但仅在 2 个节点之一中。我不知道为什么，因为我的联邦的两个节点上的代码完全相同。
编辑：我更改了上面编写的代码的位置，特别是我在 MnistShardDataset 类而不是 MnistShardDescriptor 中编写：
class MnistShardDataset(ShardDataset):
"""Mnist Shard dataset class."""
def __init__(self, x, y, data_type, rank=1, worldsize=1):
"""Initialize MNISTDataset."""
self.data_type = data_type
self.rank = rank
self.worldsize = worldsize
self.x = x[self.rank - 1::self.worldsize]
self.y = y[self.rank - 1::self.worldsize]
train_splitter = RandomNumPyDataSplitter()
#test_splitter = RandomNumPyDataSplitter()
train_idx = train_splitter.split(self.y, self.worldsize)[self.rank]
#test_idx = test_splitter.split(self.y, self.worldsize)[self.rank]
x_train_shard = self.x[train_idx]
#x_test_shard = self.x[test_idx]
self.x = x_train_shard
有了这个，我就可以创建联邦，并且在 director 的同一个节点中，客户端开始训练，并且拆分是真正随机的，因为我运行了 2 次实验，并且每次 envoy 有不同数量的样本。然而，在另一个节点（因为我使用 2 个节点，每个特使一个）和特使（openFL 调用特使客户端上的工作人员）我有索引超出范围的相同错误......</p>
EDIT2：这是使用 openFL 进行数据拆分的示例：https ://github.com/intel/openfl/blob/develop/openfl-tutorials/interactive_api/PyTorch_Kvasir_UNet/envoy/kvasir_shard_descriptor_with_data_splitter.py
但是我的数据集不同，我没有成功调整这个解决方案。关于 MNIST 之类的数据集分片，您可以向我推荐任何其他示例吗？要遵循的教程？
整个错误：
File "/home/lmancuso/envoymnist/mnist_shard_descriptor_with_data_splitter.py", line 61, in __init__
train_idx = train_splitter.split(y_train, self.worldsize)[self.rank]
IndexError: list index out of range
编辑：有趣的一点：如果我改变我的联邦的维度，将 envoy_config.yaml 中的 rank_worldsize 从 2 增加到 3，训练开始（并且数据集以随机方式划分，所以它可以工作，因为每个节点都有不同的数字样品）。但是它之所以有效，只是因为我有 2 个节点，但我创建了一个没有 3 个节点的 3 个联合。实际上，一个节点的样本为 8064，另一个节点的样本为 9856。但是考虑到我在 MNIST 中有 60000 个训练样本，所有剩余的样本都丢失了，因为它们应该在最后一个节点中（不存在）。