问题标签 [federated-learning]

我正在关注此代码https://github.com/BUAA-BDA/FedShapley/tree/master/TensorflowFL并尝试运行文件 same_OR.py

存在问题，import tensorflow.compat.v1因为 tf 显示无法导入“tensorflow.compat.v1”文件“sameOR.py”

这些是错误列表..有人可以帮忙吗？

回溯（最近一次调用）：文件“samOR.py”，第 331 行，在 local_models = federated_train(model, learning_rate, federated_train_data) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\ core\impl\utils\function_utils.py"，第 561 行，调用中 return context.invoke(self, arg) File "C:\Users\Aw\Anaconda3\lib\site-packages\retrying.py"，第 49 行，在 Wrapped_f 中 return Retrying(*dargs, **dkw).call(f , *args, **kw) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\retrying.py”，第 206 行，调用返回尝试.get(self._wrap_exception) 文件“C:\Users \Aw\Anaconda3\lib\site-packages\retrying.py”，第 247 行，在获取 6.reraise(self.value[0],self.value[1],self.value[2]) 文件“C: \Users\Aw\Anaconda3\lib\site-packages\six.py"，第 703 行，在 reraise raise 值文件 "C:\Users\Aw\Anaconda3\lib\site-packages\retrying.py"，第 200 行，在通话中尝试 = Attempt(fn(*args, **kwargs), attempt_number, False) 文件 "C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\execution_context.py "，第 213 行，在调用 arg = event_loop.run_until_complete（文件“C:\Users\Aw\Anaconda3\lib\asyncio\base_events.py”，第 616 行，在 run_until_complete 返回 future.result() 文件“C:\Users\Aw\Anaconda3\ lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 388 行，在 _wrapped 中返回 await coro 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\ executors\execution_context.py”，第 99 行，在 _ingest ingested = await asyncio.gather(*ingested) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\execution_context .py”，第 104 行，在 _ingest return await executor.create_value(val, type_spec) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\reference_resolving_executor.py”，第 286 行，在create_value return ReferenceResolvingExecutorValue(await File "C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\caching_executor.py"，第 245 行，在 create_value await cached_value.target_future 文件 "C: \Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\ Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\thread_delegating_executor.py"，第 110 行，在 create_value return await self._delegate(File "C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\thread_delegating_executor.py”，第 105 行，在 _delegate result_value = await _delegate_with_trace_ctx(coro, self._event_loop) 文件“C:\Users \Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 388 行，在 _wrapped 返回等待 coro 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python \common_libs\tracing.py"，第 200 行，在 async_trace 结果 = await fn(在 _wrapped 返回 await coro 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(在 _wrapped 返回 await coro 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\federating_executor.py”，第 383 行，在 create_value 中返回 await self._strategy.compute_federated_value （值，type_spec）文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\federated_resolving_strategy.py”，第 272 行，compute_federated_value 结果 = await asyncio.gather([ 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C: \Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\reference_resolving_executor.py”，第 281 行，在 create_value vals = await asyncio.gather（文件“C:\Users\Aw\Anaconda3 \lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site- packages\tensorflow_federated\python\core\impl\executors\reference_resolving_executor.py”，第 286 行，在 create_value 返回 ReferenceResolvingExecutorValue（等待文件“C：\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\caching_executor.py”，第 245 行，在 create_value 等待 cached_value.target_future 文件“C:\Users\Aw\Anaconda3\lib\ site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated \python\core\impl\executors\thread_delegating_executor.py"，第 110 行，在 create_value return await self._delegate( File "C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\ executors\thread_delegating_executor.py”，第 105 行，在 _delegate result_value = await _delegate_with_trace_ctx(coro, self._event_loop) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py”，第 388 行，在 _wrapped 返回等待 coro 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated \python\common_libs\tracing.py”，第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\ impl\executors\eager_tf_executor.py”，第 464 行，在 create_value 返回 EagerValue(value, self._tf_function_cache, type_spec, self._device) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\ core\impl\executors\eager_tf_executor.py"，第 366 行，在第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\eager_tf_executor.py”，行464，在 create_value 返回 EagerValue(value, self._tf_function_cache, type_spec, self._device) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\eager_tf_executor.py” ，第 366 行，在第 200 行，在 async_trace 结果 = await fn(*fn_args, **fn_kwargs) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\eager_tf_executor.py”，行464，在 create_value 返回 EagerValue(value, self._tf_function_cache, type_spec, self._device) 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\eager_tf_executor.py” ，第 366 行，在py"，第 366 行，在py"，第 366 行，在init 文件“C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\core\impl\executors\eager_tf_executor.py”，第 326 行，在 to_representation_for_type 中引发 TypeError（TypeError：明显类型 float32[10]张量 [-0.9900856 -0.9902875 -0.99910086 -0.9972545 -0.99561495 -0.99766624 -0.9964327 -0.99897027 -0.99897027 -0.9960221 -0.99313617] 与预期类型不匹配，但它与预期类型不匹配 float32[784,1:1任务：<Task pending name='Task-7' coro=<trace..async_trace() running at C:\Users\Aw\Anaconda3\lib\site-packages\tensorflow_federated\python\common_libs\tracing.py:200> wait_for=<未来挂起 cb=[_chain_future.._call_check_cancel() at C:\Users\Aw0000282F4DFE3D0>()]>

我使用 TFF 0.12.0 和狗和猫的图像数据集（2 个标签），如果我用 VGG16 测试，Ifind 准确度为 0.9，但如果我改为 ResNet50，准确度下降到 0.4，这是我写的：

但即使经过 100 轮，准确度也不超过 0.46。这是结果的一部分：

请帮忙！！！

我正在关注此代码https://github.com/BUAA-BDA/FedShapley/tree/master/TensorflowFL并尝试运行该文件same_OR.py并进行一些必要的更改

我得到了这些错误。我需要建议。

我在用 tf 2.2.1

Python 3.8.3 版本

大家好，我是机器学习的新手。我正在使用LSTM 实现联邦学习，以预测序列中的下一个标签。我的序列看起来像这样[2,3,5,1,4,2,5,7]。例如，意图是预测这个序列中的 7。所以我尝试了一个简单的 keras 联合学习。我将这种方法用于另一个模型（不是 LSTM），它对我有用，但在这里它总是过度拟合 2。它总是预测任何输入的 2。我使输入数据如此平衡，这意味着最后一个索引中每个标签的数量几乎相等（这里是 7）。我在简单的深度学习中测试了这些数据并且效果很好. 所以在我看来，这个数据 mybe 不适合 LSTM 或任何其他问题。请帮我。这是我的联邦学习代码。如果需要更多信息，请告诉我，我真的需要它。谢谢

我的问题是继续这个问题如何从 CSV 文件创建联合数据集？

我设法从给定的 csv 文件加载联合数据集，并加载训练数据和测试数据。

我现在的问题是如何重现一个工作示例来构建一个迭代过程，该过程对该数据执行自定义联合平均。

这是我的代码，但它不起作用：

这是我得到的错误，但我认为我的问题不仅仅是这个错误。我在这里做错了什么？

谢谢@Zachary Garrett，我通过添加这些代码行在他的帮助下解决了上述错误

我现在的问题tff.learning.build_federated_averaging_process是

我又想念什么了？也许这里的层顺序中的东西

我一直在使用这个函数从 stackoverflow data_set 加载数据。但是，出现一个问题，每次我使用此函数并将 cache_dir 设置为 keras/dataset 的位置或缓存的位置时，它仍然尝试从 Internet 下载 tar（即使我已经有了 8.5G tar本地文件下载）。有没有一种简单的方法可以避免从互联网下载和本地访问？

我也尝试编写保存和加载函数，但似乎它们不能应用于 HDF5ClientData 类型。

我用 TFF 训练了一个 ResNet50 模型，我在测试数据上使用测试精度进行评估，但是我发现如下图所示的很多波动，请问我该如何避免这种波动？

我正在使用 Tensorflow Federated 通过联合学习方法训练文本分类模型。有没有办法在客户端应用提前停止？API中是否有交叉验证选项？我唯一能找到的是评估：

在联合训练轮结束时将其应用于模型。

我错过了什么吗？

我使用具有 6 个类的人类活动识别 (HAR) 数据集使用联邦学习 (FL)。在这种情况下，我通过将（1）每个类数据集分配给不同的 6 个工作人员，（2）两个类分配给 3 个不同的工作人员，以及（3）三个类分配给 2 个不同的工作人员来实现非 IID 数据集。

当我运行 FL 过程时，场景 (3) > (2) > (1) 的验证准确度。我希望所有场景都能获得几乎相同的验证准确度。对于每个场景，我使用相同的超参数设置，包括批量大小、随机缓冲区和模型配置。

它在非 IID 数据集的 FL 中很常见，还是我的结果有任何问题？

我尝试使用np.array.split将数据集分成两部分，但效果不佳

希望有人可以就这个问题提供一些建议

代码部分