¡Google I / O regresa del 18 al 20 de mayo! Reserva espacio y crea tu horario Regístrate ahora

Aprendizaje federado

Descripción general

Este documento presenta interfaces que facilitan las tareas de aprendizaje federado, como la capacitación o la evaluación federada con modelos de aprendizaje automático existentes implementados en TensorFlow. Al diseñar estas interfaces, nuestro objetivo principal era hacer posible experimentar con el aprendizaje federado sin requerir el conocimiento de cómo funciona bajo el capó, y evaluar los algoritmos de aprendizaje federado implementados en una variedad de modelos y datos existentes. Le animamos a contribuir de nuevo a la plataforma. TFF ha sido diseñado teniendo en cuenta la extensibilidad y componibilidad, y agradecemos las contribuciones; ¡Estamos emocionados de ver lo que se te ocurra!

Las interfaces que ofrece esta capa constan de las siguientes tres partes clave:

  • Modelos . Clases y funciones auxiliares que le permiten ajustar sus modelos existentes para usarlos con TFF. Envolver un modelo puede ser tan simple como llamar a una sola función de envoltura (por ejemplo, tff.learning.from_keras_model ) o definir una subclase de la interfaz tff.learning.Model para una personalización completa.

  • Constructores de Computación Federada . Funciones auxiliares que construyen cálculos federados para entrenamiento o evaluación, utilizando sus modelos existentes.

  • Conjuntos de datos . Colecciones de datos almacenadas que puede descargar y acceder en Python para su uso en la simulación de escenarios de aprendizaje federado. Aunque el aprendizaje federado está diseñado para su uso con datos descentralizados que no se pueden descargar simplemente en una ubicación centralizada, en las etapas de investigación y desarrollo a menudo es conveniente realizar experimentos iniciales utilizando datos que se pueden descargar y manipular localmente, especialmente para desarrolladores que podrían estar nuevo en el enfoque.

Estas interfaces se definen principalmente en el espacio de nombres tff.learning , excepto para los conjuntos de datos de investigación y otras capacidades relacionadas con la simulación que se han agrupado en tff.simulation . Esta capa se implementa mediante interfaces de nivel inferior que ofrece Federated Core (FC) , que también proporciona un entorno de ejecución.

Antes de continuar, le recomendamos que primero revise los tutoriales sobre clasificación de imágenes y generación de texto , ya que presentan la mayoría de los conceptos descritos aquí utilizando ejemplos concretos. Si está interesado en aprender más sobre cómo funciona TFF, puede leer el tutorial de algoritmos personalizados como una introducción a las interfaces de nivel inferior que usamos para expresar la lógica de los cálculos federados y para estudiar la implementación existente de la tff.learning interfaces.

Modelos

Supuestos arquitectónicos

Publicación por entregas

TFF tiene como objetivo admitir una variedad de escenarios de aprendizaje distribuido en los que el código del modelo de aprendizaje automático que escribe podría ejecutarse en una gran cantidad de clientes heterogéneos con diversas capacidades. Si bien en un extremo del espectro, en algunas aplicaciones esos clientes pueden ser potentes servidores de bases de datos, muchos de los usos importantes que nuestra plataforma pretende admitir involucran dispositivos móviles e integrados con recursos limitados. No podemos asumir que estos dispositivos sean capaces de albergar tiempos de ejecución de Python; lo único que podemos asumir en este punto es que son capaces de alojar un tiempo de ejecución de TensorFlow local. Por lo tanto, una suposición arquitectónica fundamental que hacemos en TFF es que el código de su modelo debe ser serializable como un gráfico de TensorFlow.

Aún puede (y debe) desarrollar su código TF siguiendo las últimas mejores prácticas, como usar el modo ansioso. Sin embargo, el código final debe ser serializable (por ejemplo, se puede empaquetar como una función tf.function para el código en modo ansioso). Esto asegura que cualquier estado de Python o flujo de control necesario en el momento de la ejecución pueda ser serializado (posiblemente con la ayuda de Autograph ).

Actualmente, TensorFlow no es totalmente compatible con la serialización y deserialización de TensorFlow en modo ansioso. Por lo tanto, la serialización en TFF sigue actualmente el patrón TF 1.0, donde todo el código debe construirse dentro de un tf.Graph que controla TFF. Esto significa que actualmente TFF no puede consumir un modelo ya construido; en cambio, la lógica de definición del modelo está empaquetada en una función sin tff.learning.Model que devuelve un tff.learning.Model . Luego, TFF llama a esta función para garantizar que todos los componentes del modelo estén serializados. Además, al ser un entorno fuertemente tipado, TFF requerirá algunos metadatos adicionales, como una especificación del tipo de entrada de su modelo.

Agregación

Recomendamos encarecidamente a la mayoría de los usuarios que construyan modelos utilizando Keras, consulte la sección Convertidores para Keras a continuación. Estos contenedores manejan la agregación de actualizaciones del modelo, así como cualquier métrica definida para el modelo automáticamente. Sin embargo, aún puede ser útil comprender cómo se maneja la agregación para un tff.learning.Model general.

Siempre hay al menos dos capas de agregación en el aprendizaje federado: agregación local en el dispositivo y agregación entre dispositivos (o federada):

  • Agregación local . Este nivel de agregación se refiere a la agregación en múltiples lotes de ejemplos propiedad de un cliente individual. Se aplica tanto a los parámetros del modelo (variables), que continúan evolucionando secuencialmente a medida que el modelo se entrena localmente, como a las estadísticas que calcula (como la pérdida promedio, la precisión y otras métricas), que su modelo volverá a actualizar localmente. a medida que itera sobre el flujo de datos locales de cada cliente individual.

    Realizar la agregación en este nivel es responsabilidad de su código de modelo y se logra mediante construcciones estándar de TensorFlow.

    La estructura general del procesamiento es la siguiente:

    • El modelo primero construye tf.Variable s para contener agregados, como el número de lotes o el número de ejemplos procesados, la suma de pérdidas por lote o por ejemplo, etc.

    • TFF invoca el método forward_pass en su Model varias veces, secuencialmente en lotes posteriores de datos del cliente, lo que le permite actualizar las variables que contienen varios agregados como efecto secundario.

    • Finalmente, TFF invoca el método report_local_outputs en su modelo para permitir que su modelo compile todas las estadísticas de resumen que recopiló en un conjunto compacto de métricas para ser exportadas por el cliente. Aquí es donde su código de modelo puede, por ejemplo, dividir la suma de pérdidas por el número de ejemplos procesados ​​para exportar la pérdida promedio, etc.

  • Agregación federada . Este nivel de agregación se refiere a la agregación a través de múltiples clientes (dispositivos) en el sistema. Nuevamente, se aplica tanto a los parámetros del modelo (variables), que se promedian entre los clientes, como a las métricas que exportó su modelo como resultado de la agregación local.

    Realizar la agregación en este nivel es responsabilidad de TFF. Sin embargo, como creador de modelos, puede controlar este proceso (más sobre esto a continuación).

    La estructura general del procesamiento es la siguiente:

    • Un servidor distribuye el modelo inicial y los parámetros necesarios para la capacitación a un subconjunto de clientes que participarán en una ronda de capacitación o evaluación.

    • En cada cliente, de forma independiente y en paralelo, el código de su modelo se invoca repetidamente en un flujo de lotes de datos locales para producir un nuevo conjunto de parámetros del modelo (durante el entrenamiento) y un nuevo conjunto de métricas locales, como se describe anteriormente (esto es local agregación).

    • TFF ejecuta un protocolo de agregación distribuido para acumular y agregar los parámetros del modelo y las métricas exportadas localmente en todo el sistema. Esta lógica se expresa de manera declarativa utilizando el propio lenguaje de cálculo federado de TFF (no en TensorFlow), en federated_output_computation del modelo federated_output_computation. Consulte el tutorial de algoritmos personalizados para obtener más información sobre la API de agregación.

Interfaces abstractas

Esta interfaz básica de constructor + metadatos está representada por la interfaz tff.learning.Model , de la siguiente manera:

  • Los métodos constructor, forward_pass y report_local_outputs deben construir variables de modelo, forward pass y estadísticas que desea informar, en consecuencia. El TensorFlow construido por esos métodos debe ser serializable, como se discutió anteriormente.

  • La propiedad input_spec , así como las 3 propiedades que devuelven subconjuntos de sus variables entrenables, no entrenables y locales, representan los metadatos. TFF utiliza esta información para determinar cómo conectar partes de su modelo a los algoritmos de optimización federados y para definir firmas de tipo internas para ayudar a verificar la corrección del sistema construido (de modo que su modelo no pueda ser instanciado sobre datos que no coincidan con lo que el modelo está diseñado para consumir).

Además, la interfaz abstracta tff.learning.Model expone una propiedad federated_output_computation que, junto con el report_local_outputs propiedad se mencionó anteriormente, le permite controlar el proceso de agregación de las estadísticas de resumen.

Puede encontrar ejemplos de cómo definir su propio tff.learning.Model personalizado en la segunda parte de nuestro tutorial de clasificación de imágenes , así como en los modelos de ejemplo que usamos para probar en model_examples.py .

Convertidores para Keras

Casi toda la información requerida por TFF se puede derivar llamando a tf.keras interfaces tf.keras , por lo que si tiene un modelo Keras, puede confiar en tff.learning.from_keras_model para construir un tff.learning.Model .

Tenga en cuenta que TFF todavía quiere que proporcione un constructor, una función de modelo sin argumentos como la siguiente:

def model_fn():
  keras_model = ...
  return tff.learning.from_keras_model(keras_model, sample_batch, loss=...)

Además del modelo en sí, proporciona un lote de datos de muestra que TFF utiliza para determinar el tipo y la forma de la entrada de su modelo. Esto asegura que TFF pueda instanciar correctamente el modelo para los datos que realmente estarán presentes en los dispositivos cliente (dado que asumimos que estos datos no están disponibles en general en el momento en que está construyendo TensorFlow para ser serializado).

El uso de envoltorios Keras se ilustra en nuestros tutoriales de clasificación de imágenes y generación de texto .

Constructores de computación federada

El paquete tff.learning proporciona varios constructores para tff.Computation s que realizan tareas relacionadas con el aprendizaje; esperamos que el conjunto de dichos cálculos se expanda en el futuro.

Supuestos arquitectónicos

Ejecución

Hay dos fases distintas en la ejecución de un cálculo federado.

  • Compilar : TFF primero compila algoritmos de aprendizaje federado en una representación serializada abstracta de todo el cálculo distribuido. Aquí es cuando ocurre la serialización de TensorFlow, pero pueden ocurrir otras transformaciones para admitir una ejecución más eficiente. Nos referimos a la representación serializada emitida por el compilador como un cálculo federado .

  • Execute TFF proporciona formas de ejecutar estos cálculos. Por ahora, la ejecución solo se admite a través de una simulación local (por ejemplo, en un cuaderno usando datos descentralizados simulados).

Un cálculo federado generado por la API de aprendizaje federado de TFF, como un algoritmo de entrenamiento que utiliza el promedio de modelo federado o una evaluación federada, incluye una serie de elementos, entre los que destaca:

  • Una forma serializada de su código de modelo, así como código de TensorFlow adicional construido por el marco de aprendizaje federado para impulsar el ciclo de entrenamiento / evaluación de su modelo (como construir optimizadores, aplicar actualizaciones de modelo, iterar sobretf.data.Dataset s y calcular métricas, y aplicar la actualización agregada en el servidor, por nombrar algunos).

  • Una especificación declarativa de la comunicación entre los clientes y un servidor (por lo general, varias formas de agregación a través de los dispositivos del cliente y transmisión desde el servidor a todos los clientes), y cómo esta comunicación distribuida se intercala con la ejecución local del cliente o del servidor del código de TensorFlow.

Los cálculos federados representados en este formulario serializado se expresan en un lenguaje interno independiente de la plataforma distinto de Python, pero para usar la API de aprendizaje federado, no es necesario que se preocupe por los detalles de esta representación. Los cálculos se representan en su código Python como objetos de tipo tff.Computation , que en su mayor parte puede tratar como s callable Python opacos.

En los tutoriales, invocará esos cálculos federados como si fueran funciones normales de Python, para que se ejecuten localmente. Sin embargo, TFF está diseñado para expresar cálculos federados de una manera independiente de la mayoría de los aspectos del entorno de ejecución, de modo que puedan potencialmente implementarse, por ejemplo, en grupos de dispositivos que ejecutan Android o en clústeres en un centro de datos. Una vez más, la principal consecuencia de esto son fuertes suposiciones sobre la serialización . En particular, cuando invoca uno de los métodos build_... que se describen a continuación, el cálculo está completamente serializado.

Estado de modelado

TFF es un entorno de programación funcional, sin embargo, muchos procesos de interés en el aprendizaje federado tienen estado. Por ejemplo, un ciclo de entrenamiento que involucra múltiples rondas de promediado de modelos federados es un ejemplo de lo que podríamos clasificar como un proceso con estado . En este proceso, el estado que evoluciona de una ronda a otra incluye el conjunto de parámetros del modelo que se están entrenando y posiblemente un estado adicional asociado con el optimizador (por ejemplo, un vector de impulso).

Dado que TFF es funcional, los procesos con estado se modelan en TFF como cálculos que aceptan el estado actual como entrada y luego proporcionan el estado actualizado como salida. Para definir completamente un proceso con estado, también es necesario especificar de dónde proviene el estado inicial (de lo contrario, no podemos iniciar el proceso). Esto se captura en la definición de la clase auxiliar tff.templates.IterativeProcess , con las 2 propiedades initialize y next correspondientes a la inicialización e iteración, respectivamente.

Constructores disponibles

Por el momento, TFF proporciona dos funciones de construcción que generan los cálculos federados para el entrenamiento y la evaluación federados:

Conjuntos de datos

Supuestos arquitectónicos

Selección de cliente

En el escenario típico de aprendizaje federado, tenemos una gran población de potencialmente cientos de millones de dispositivos cliente, de los cuales solo una pequeña parte puede estar activa y disponible para capacitación en un momento dado (por ejemplo, esto puede estar limitado a clientes que están enchufado a una fuente de alimentación, no a una red con medidor y, de lo contrario, inactivo). Generalmente, el conjunto de clientes disponibles para participar en la capacitación o evaluación está fuera del control del desarrollador. Además, como no es práctico coordinar a millones de clientes, una ronda típica de capacitación o evaluación incluirá solo una fracción de los clientes disponibles, que se pueden muestrear al azar .

La consecuencia clave de esto es que los cálculos federados, por diseño, se expresan de una manera que ignora el conjunto exacto de participantes; todo el procesamiento se expresa como operaciones agregadas en un grupo abstracto de clientes anónimos, y ese grupo puede variar de una ronda de capacitación a otra. La vinculación real del cálculo a los participantes concretos y, por tanto, a los datos concretos que alimentan al cálculo, se modela así fuera del cálculo mismo.

Para simular una implementación realista de su código de aprendizaje federado, generalmente escribirá un ciclo de entrenamiento que se ve así:

trainer = tff.learning.build_federated_averaging_process(...)
state = trainer.initialize()
federated_training_data = ...

def sample(federate_data):
  return ...

while True:
  data_for_this_round = sample(federated_training_data)
  state, metrics = trainer.next(state, data_for_this_round)

Para facilitar esto, cuando se usa TFF en simulaciones, los datos federados se aceptan como list Python, con un elemento por dispositivo cliente participante para representar eltf.data.Dataset local de ese dispositivo.

Interfaces abstractas

Para estandarizar el manejo de conjuntos de datos federados simulados, TFF proporciona una interfaz abstracta tff.simulation.datasets.ClientData , que permite enumerar el conjunto de clientes y construir untf.data.Dataset que contiene los datos de un determinado cliente. Esostf.data.Dataset s se pueden alimentar directamente como entrada a los cálculos federados generados en modo ansioso.

Cabe señalar que la capacidad de acceder a las identidades de los clientes es una característica que solo proporcionan los conjuntos de datos para su uso en simulaciones, donde puede ser necesaria la capacidad de entrenar con datos de subconjuntos específicos de clientes (por ejemplo, para simular la disponibilidad diurna de diferentes tipos de clientes). Los cálculos compilados y el tiempo de ejecución subyacente no implican ninguna noción de identidad del cliente. Una vez que se han seleccionado los datos de un subconjunto específico de clientes como entrada, por ejemplo, en una llamada a tff.templates.IterativeProcess.next , las identidades de los clientes ya no aparecen en él.

Conjuntos de datos disponibles

Hemos dedicado el espacio de nombres tff.simulation.datasets para los conjuntos de datos que implementan la interfaz tff.simulation.datasets.ClientData para su uso en simulaciones, y lo tff.simulation.datasets.ClientData sembrado con 2 conjuntos de datos para apoyar la clasificación de imágenes y los tutoriales de generación de texto . Nos gustaría animarle a que contribuya con sus propios conjuntos de datos a la plataforma.