Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Aprendizaje Federado

Visión general

Este documento presenta interfaces que facilitan las tareas de aprendizaje federado, como la capacitación o evaluación federadas con los 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. Lo alentamos a contribuir de nuevo a la plataforma. TFF ha sido diseñado teniendo en cuenta la extensibilidad y la compostibilidad, y agradecemos las contribuciones; ¡Estamos emocionados de ver qué se te ocurre!

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 usar con TFF. Ajustar un modelo puede ser tan simple como llamar a una sola función de tff.learning.from_keras_model (por ejemplo, tff.learning.from_keras_model ), o definir una subclase de la interfaz tff.learning.Model para una personalización completa.

  • Constructores federados de computación . Funciones de ayuda que construyen cálculos federados para capacitación o evaluación, utilizando sus modelos existentes.

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

Estas interfaces se definen principalmente en el espacio de nombres tff.learning , a excepción de los conjuntos de datos de investigación y otras capacidades relacionadas con la simulación que se han agrupado en tff.simulation . Esta capa se implementa utilizando interfaces de nivel inferior ofrecidas por el núcleo federado (FC) , que también proporciona un entorno de tiempo 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 con ejemplos concretos. Si está interesado en obtener más información sobre cómo funciona TFF, puede leer el tutorial de algoritmos personalizados como introducción a las interfaces de nivel inferior que utilizamos para expresar la lógica de los cálculos federados y estudiar la implementación existente de 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 usted 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 usos importantes que nuestra plataforma pretende admitir incluyen dispositivos móviles e integrados con recursos limitados. No podemos suponer que estos dispositivos sean capaces de alojar tiempos de ejecución de Python; Lo único que podemos asumir en este momento es que son capaces de alojar un tiempo de ejecución local de TensorFlow. Por lo tanto, una suposición arquitectónica fundamental que hacemos en TFF es que el código de su modelo debe ser serializable como un gráfico TensorFlow.

Aún puede (y debe) desarrollar su código TF siguiendo las mejores prácticas más recientes, como usar el modo ansioso. Sin embargo, el código final debe ser serializable (p. Ej., Puede ajustarse como una función tf.function para el código de modo ansioso). Esto garantiza que cualquier estado de Python o flujo de control necesario en el tiempo de ejecución se pueda serializar (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 actualmente sigue 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 un poco de metadatos adicionales, como una especificación del tipo de entrada de su modelo.

Agregación

Recomendamos encarecidamente a la mayoría de los usuarios que construyan modelos con 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 varios lotes de ejemplos propiedad de un cliente individual. Se aplica tanto a los parámetros (variables) del modelo, 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 mientras itera sobre el flujo de datos local de cada cliente individual.

    Realizar la agregación a este nivel es responsabilidad del código de su modelo, y se logra utilizando construcciones estándar TensorFlow.

    La estructura general del procesamiento es la siguiente:

    • El modelo primero construye tf.Variable . tf.Variable para contener agregados, como la cantidad de lotes o la cantidad de ejemplos procesados, la suma de las 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 permitirle compilar todas las estadísticas resumidas que recopiló en un conjunto compacto de métricas para que el cliente las exporte. Aquí es donde el código de su modelo puede, por ejemplo, dividir la suma de las 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 su modelo exportó como resultado de la agregación local.

    Realizar la agregación a 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:

    • El modelo inicial y los parámetros necesarios para la capacitación son distribuidos por un servidor 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 una secuencia 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 describió anteriormente (esto es local agregación).

    • TFF ejecuta un protocolo de agregación distribuida 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 cómputo federado de TFF (no en TensorFlow), en el modelo 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 las variables del modelo, el pase directo y las estadísticas que desea informar, correspondientemente. 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 interno para ayudar a verificar la corrección del sistema construido (para que su modelo no pueda ser instanciado sobre datos que no coinciden 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 tf.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 puede obtenerse 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 garantiza que TFF pueda crear una instancia adecuada del modelo para los datos que realmente estarán presentes en los dispositivos del cliente (dado que asumimos que estos datos generalmente no están disponibles en el momento en que construye el 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 tales 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 federados en una representación serializada abstracta de toda la computación distribuida. Esto es cuando ocurre la serialización de TensorFlow, pero pueden ocurrir otras transformaciones para soportar 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 una computadora portátil que utiliza datos descentralizados simulados).

Un cálculo federado generado por la API de aprendizaje federado de TFF, como un algoritmo de capacitación que utiliza el promedio de modelos federados , o una evaluación federada, incluye una serie de elementos, en particular:

  • Una forma serializada de su código de modelo, así como un código adicional de TensorFlow creado por el marco de aprendizaje federado para impulsar el ciclo de capacitación / evaluación de su modelo (como la construcción de optimizadores, la aplicación de actualizaciones del modelo, la iteración sobre tf.data.Dataset s y las métricas informáticas, y aplicando 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 entre los dispositivos del cliente y la transmisión desde el servidor a todos los clientes), y cómo esta comunicación distribuida se intercala con la ejecución cliente-local o servidor-local del código 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 tendrá que preocuparse por los detalles de esta representación. Los cálculos se representan en su código de Python como objetos de tipo tff.Computation , que en su mayor parte puede tratar como Python opaco callable .

En los tutoriales, invocará esos cálculos federados como si fueran funciones regulares de Python, para ejecutarse 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 implementarse, por ejemplo, en grupos de dispositivos con Android o en clústeres en un centro de datos. Una vez más, la consecuencia principal de esto son fuertes suposiciones sobre la serialización . En particular, cuando invocas uno de los métodos de build_... descritos a continuación, el cálculo se serializa completamente.

Estado de modelado

TFF es un entorno de programación funcional, pero muchos procesos de interés en el aprendizaje federado tienen estado. Por ejemplo, un ciclo de capacitación que involucra múltiples rondas de promedios de modelos federados es un ejemplo de lo que podríamos clasificar como un proceso con estado . En este proceso, el estado que evoluciona de ronda en ronda 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 correspondiente a la inicialización e iteración, respectivamente.

Constructores disponibles

Por el momento, TFF proporciona dos funciones de generador que generan los cálculos federados para la capacitación y evaluación federadas:

Conjuntos de datos

Supuestos arquitectónicos

Selección del cliente

En el escenario típico de aprendizaje federado, tenemos una gran población de potencialmente cientos de millones de dispositivos de clientes, de los cuales solo una pequeña porción puede estar activa y disponible para capacitación en cualquier momento dado (por ejemplo, esto puede estar limitado a clientes que están enchufado a una fuente de alimentación, no en una red medida, y de otro modo inactivo). En general, el conjunto de clientes disponibles para participar en 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 pueden tomarse muestras al azar .

La consecuencia clave de esto es que los cálculos federados, por diseño, se expresan de una manera ajena al 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 de la computación a los participantes concretos, y por lo tanto a los datos concretos que alimentan en la computación, se modela así fuera de la computación misma.

Para simular una implementación realista de su código de aprendizaje federado, generalmente escribirá un ciclo de capacitación que se verá 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 el tf.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.ClientData , que le permite a uno enumerar el conjunto de clientes y construir un tf.data.Dataset que contiene los datos de un cliente en particular. Esos tf.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 capacitar en 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 los datos de un subconjunto específico de clientes se han seleccionado 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 conjuntos de datos que implementan la interfaz tff.simulation.ClientData para su uso en simulaciones, y lo tff.simulation.ClientData sembrado con 2 conjuntos de datos para admitir la clasificación de imágenes y los tutoriales de generación de texto . Nos gustaría animarlo a contribuir con sus propios conjuntos de datos a la plataforma.