在TensorFlow联合中创建自定义联合数据集

Question

我想将本博客文章中的循环自动编码器改编为在联合环境中工作。

我对模型进行了稍微修改，以符合TFF图像分类教程中显示的示例。

def create_compiled_keras_model():
  model = tf.keras.models.Sequential([
      tf.keras.layers.LSTM(2, input_shape=(10, 2), name='Encoder'),
      tf.keras.layers.RepeatVector(10, name='Latent'),
      tf.keras.layers.LSTM(2, return_sequences=True, name='Decoder')]
  )

  model.compile(loss='mse', optimizer='adam')
  return model

model = create_compiled_keras_model()

sample_batch = gen(1)
timesteps, input_dim = 10, 2

def model_fn():
  keras_model = create_compiled_keras_model()
  return tff.learning.from_compiled_keras_model(keras_model, sample_batch)

gen函数的定义如下：

import random

def gen(batch_size):
    seq_length = 10

    batch_x = []
    batch_y = []

    for _ in range(batch_size):
        rand = random.random() * 2 * np.pi

        sig1 = np.sin(np.linspace(0.0 * np.pi + rand, 3.0 * np.pi + rand, seq_length * 2))
        sig2 = np.cos(np.linspace(0.0 * np.pi + rand, 3.0 * np.pi + rand, seq_length * 2))

        x1 = sig1[:seq_length]
        y1 = sig1[seq_length:]
        x2 = sig2[:seq_length]
        y2 = sig2[seq_length:]

        x_ = np.array([x1, x2])
        y_ = np.array([y1, y2])
        x_, y_ = x_.T, y_.T

        batch_x.append(x_)
        batch_y.append(y_)

    batch_x = np.array(batch_x)
    batch_y = np.array(batch_y)

    return batch_x, batch_x #batch_y

到目前为止，我一直找不到任何未使用TFF存储库中的样本数据的文档。

如何修改它以创建联合数据集并开始训练？

Answer 1

在非常高的层次上，要使用具有 TFF 的任意数据集，需要执行以下步骤：

1. 将数据集划分为每个客户端的子集（如何这样做是一个更大的问题）
2. 为每个客户端子集创建一个tf.data.Dataset
3. 将 Dataset 对象的所有（或子集）列表传递给联合优化。

教程中发生了什么

图像分类的联邦学习教程使用tff.learning.build_federated_averaging_process来构建使用 FedAvg 算法的联邦优化。

在该笔记本中，以下代码正在执行一轮联合优化，其中将客户端数据集传递给进程的.next方法：

   state, metrics = iterative_process.next(state, federated_train_data)

这里federated_train_data是一个Pythonlist的tf.data.Dataset，每个客户端参与的第一轮比赛。

客户端数据对象

TFF 提供的罐头数据集（在tff.simulation.datasets下）是使用tff.simulation.ClientData接口实现的，该接口管理客户端？数据集映射和tff.data.Dataset创建。

如果您计划重复使用数据集，将其实现为 atff.simulation.ClientData可能会使将来的使用更容易。