(二)联邦学习 |
您所在的位置:网站首页 › fate 6 › (二)联邦学习 |
总目录 (一)联邦学习-入门初识 (二)联邦学习-Fate单机部署 (三)微众Fate-横向联邦学习实践-训练评估 (四)微众Fate-横向学习联邦-预测 目录 1. Fate介绍1.1 FederatedML1.2 FATE Serving1.3 FATEFlow1.4 FATEBoard1.5 Federated Network1.6 KubeFATE 2.Fate部署架构说明3.环境准备4. 部署5. 单机测试6.执行测试任务7.查看测试任务执行情况加入社区 1. Fate介绍FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的开源项目,为联邦学习生态系统提供了可靠的安全计算框架。FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议,以此支持不同种类的机器学习的安全计算,包括逻辑回归、基于树的算法、深度学习和迁移学习等。 Fate主要包含: 1.1 FederatedML一个实用的、可扩展的联邦机器学习库。 Federatedml包括许多常见机器学习算法的实现以及必要的实用工具。所有模块均采用去耦模块化方法开发,以增强可扩展性。具体来说,提供: FML算法:用于DataIO,数据预处理,特征工程和建模的联合机器学习算法。下面列出了更多详细信息。实用程序:启用联合学习的工具,例如加密工具,统计模块,参数定义以及传递变量自动生成器等。框架:用于开发新算法模块的工具包和基础模型。框架提供了可重用的功能,以标准化模块并使它们紧凑。安全协议:提供多种安全协议,以实现更安全的多方交互计算 1.2 FATE Serving一个可扩展的、高性能的联邦学习模型服务系统。 FATE-Serving是针对联合学习模型的高性能工业化服务系统,专为生产环境而设计。 FATE-Serving现在支持 • 高性能的在线联合学习算法。 • 联合学习在线推理管道。 • 动态加载联合学习模型。 • 可以服务于多个模型或同一模型的多个版本。 • 支持A / B测试实验模型。 • 使用联合学习模型进行实时推理。 • 支持多级缓存以获取远程方联合推断结果。 • 支持用于生产部署的预处理,后处理和数据访问适配器。 原理: FATEFlow是联邦学习建模Pipeline 调度和生命周期管理工具,为用户构建端到端的联邦学习pipeline生产服务。FATEFlow实现了pipeline的状态管理及运行的协同调度,同时自动追踪任务中产生的数据、模型、指标、日志等便于建模人员分析。另外,FATEFlow还提供了联邦机制下的模型一致性管理以及生产发布功能。 FATEFlow调度流程: FATEBoard是联邦学习建模的可视化工具,为终端用户可视化和度量模型训练的全过程,帮助用户更简单而高效地进行模型探索和模型理解。 FATEBoard由任务仪表盘、任务可视化、任务管理与日志管理等模块组成,支持模型训练过程全流程的跟踪、统计和监控等,并为模型运行状态、模型输出、日志追踪等提供了丰富的可视化呈现。FATEBoard可大大增强联邦建模的操作体验,让联邦建模更易于理解与实施,有利于建模人员持续对模型探索与优化。 1.5 Federated Network联邦学习多方通信网络。 架构如下: • 联邦学习方之间的跨站点通信 • 模组 ○ MetaService:元数据管理者和持有者 ○ Proxy:应用程序层传输端点 ○ Federation :全局对象的抽象和实现,即各方之间要“联合”的数据 ○ Fate-Exchange: 负责通信 使用云本地技术管理联邦学习工作负载。 当前,KubeFATE支持通过Docker Compose和Kubernetes 进行FATE部署。 2.Fate部署架构说明
由于是通过Docker-Compose方式,下载官方部署脚本 打开控制台,输入以下命令: wget https://webank-ai-1251170195.cos.ap-guangzhou.myqcloud.com/docker_standalone-fate-1.2.0.tar.gz解压包 tar -xvf docker_standalone-fate-1.2.0.tar.gz执行部署脚本 cd docker_standalone-fate-1.2.0 bash install_standalone_docker.sh执行成功后,查看当前启动容器 docker psfate_fateboard : 监控面板 fate_python: 单机版 Federated Network 5. 单机测试运行测试脚本 CONTAINER_ID=`docker ps -aqf "name=fate_python"` docker exec -t -i ${CONTAINER_ID} bash bash ./federatedml/test/run_test.sh测试完成,控制台输出如下结果: 进入fate_python容器 docker exec -it fate_python bash进入example目录 cd /fate/examples/federatedml-1.x-examples执行快速测试脚本 python quick_run.py执行完成后控制台输出如下: 上面单机部署中,包含的其中一个容器fate_fateboard是监控面板 访问http://ip:8080 可以看到6执行的所有任务的情况 同时提供执行JOB的详细日志 VX号: FATEZS001 推荐人:黎富强 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |