重庆荣昌网站建设费用,网站开发项目建设规范,查企业信息查询平台,吉林省建设安全厅官方网站
一、说明 本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练#xff0c;并使用该模型对数据进行 多分类预测。
二分类算法#xff1a;是指待预测的 label 标签的取值只有两种#xff1b;直白来讲就是每个实例的可能类别只有两种 (0 或者 1)…
一、说明 本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练并使用该模型对数据进行 多分类预测。
二分类算法是指待预测的 label 标签的取值只有两种直白来讲就是每个实例的可能类别只有两种 (0 或者 1)例如性别只有 男 或者 女此时的分类算法其实是在构建一个分类线将数据划分为两个类别。 多分类算法是指待预测的 label 标签的取值可能有多种情况例如个人爱好可能有 篮球、足球、电影 等等多种类型。常见算法Softmax、SVM、KNN、决策树。 关于 Fate 的核心概念、单机部署、训练以及预测请参考以下相关文章
《隐私计算 FATE - 关键概念与单机部署指南》 《隐私计算 FATE - 模型训练》 《隐私计算 FATE - 离线预测》 二、准备训练数据 上传到 Fate 里的数据有两个字段名必需是规定的分别是主键为 id 字段和分类字段为 y 字段y 字段就是所谓的待预测的 label 标签其他的特征字段 (属性) 可任意填写例如下面例子中的 x0 - x9 本文只描述关键部分关于详细的模型训练步骤请查看文章《隐私计算 FATE - 模型训练》
2.1. guest 端 10 条数据包含 1 个分类字段 y 和 10 个标签字段 x0 - x9
上传到 Fate 中表名为 muti_breast_homo_guest 命名空间为 experiment
2.2. host 端 10 条数据字段与 guest 端一样但是内容不一样 上传到 Fate 中表名为 muti_breast_homo_host 命名空间为 experiment
三、执行训练任务 3.1. 准备 dsl 文件 创建文件 homo_nn_dsl.json 内容如下
{components: {reader_0: {module: Reader,output: {data: [data]}},data_transform_0: {module: DataTransform,input: {data: {data: [reader_0.data]}},output: {data: [data],model: [model]}},homo_nn_0: {module: HomoNN,input: {data: {train_data: [data_transform_0.data]}},output: {data: [data],model: [model]}}}
}
3.2. 准备 conf 文件
创建文件 homo_nn_multi_label_conf.json 内容如下 {dsl_version: 2,initiator: {role: guest,party_id: 9999},role: {arbiter: [10000],host: [10000],guest: [9999]},component_parameters: {common: {data_transform_0: {with_label: true},homo_nn_0: {encode_label: true,max_iter: 15,batch_size: -1,early_stop: {early_stop: diff,eps: 0.0001},optimizer: {learning_rate: 0.05,decay: 0.0,beta_1: 0.9,beta_2: 0.999,epsilon: 1e-07,amsgrad: false,optimizer: Adam},loss: categorical_crossentropy,metrics: [accuracy],nn_define: {class_name: Sequential,config: {name: sequential,layers: [{class_name: Dense,config: {name: dense,trainable: true,batch_input_shape: [null,18],dtype: float32,units: 5,activation: relu,use_bias: true,kernel_initializer: {class_name: GlorotUniform,config: {seed: null,dtype: float32}},bias_initializer: {class_name: Zeros,config: {dtype: float32}},kernel_regularizer: null,bias_regularizer: null,activity_regularizer: null,kernel_constraint: null,bias_constraint: null}},{class_name: Dense,config: {name: dense_1,trainable: true,dtype: float32,units: 4,activation: sigmoid,use_bias: true,kernel_initializer: {class_name: GlorotUniform,config: {seed: null,dtype: float32}},bias_initializer: {class_name: Zeros,config: {dtype: float32}},kernel_regularizer: null,bias_regularizer: null,activity_regularizer: null,kernel_constraint: null,bias_constraint: null}}]},keras_version: 2.2.4-tf,backend: tensorflow},config_type: keras}},role: {host: {0: {reader_0: {table: {name: muti_breast_homo_host,namespace: experiment}}}},guest: {0: {reader_0: {table: {name: muti_breast_homo_guest,namespace: experiment}}}}}}
}
3.3. 提交任务 执行以下命令
flow job submit -d homo_nn_dsl.json -c homo_nn_multi_label_conf.json 执行成功后查看 dashboard 显示 四、准备预测数据 与前面训练的数据字段一样但是内容不一样y 值全为 0
4.1. guest 端
上传到 Fate 中表名为 predict_muti_breast_homo_guest 命名空间为 experiment
4.2. host 端
上传到 Fate 中表名为 predict_muti_breast_homo_host 命名空间为 experiment
五、准备预测配置 本文只描述关键部分关于详细的预测步骤请查看文章《隐私计算 FATE - 离线预测》
创建文件 homo_nn_multi_label_predict.json 内容如下
{dsl_version: 2,initiator: {role: guest,party_id: 9999},role: {arbiter: [10000],host: [10000],guest: [9999]},job_parameters: {common: {model_id: arbiter-10000#guest-9999#host-10000#model,model_version: 202207061504081543620,job_type: predict}},component_parameters: {role: {guest: {0: {reader_0: {table: {name: predict_muti_breast_homo_guest,namespace: experiment}}}},host: {0: {reader_0: {table: {name: predict_muti_breast_homo_host,namespace: experiment}}}}}}
}
六、执行预测任务 执行以下命令
flow job submit -c homo_nn_multi_label_predict.json 执行成功后查看 homo_nn_0 组件的数据输出 可以看到算法输出的预测结果。
