当前位置：首页 > wzjs >正文

基于flash网站设计网站开发有前途

wzjs 2025/9/17 9:54:38

基于flash网站设计,网站开发有前途,免费做淘宝联盟网站,腾讯云学生怎么做网站的💡 本文是联邦学习系列的第二篇，适合有一定 PyTorch 基础的读者。 ✅ 适合练手 ✅ 模拟真实场景 ✅ 附完整可运行代码 📖 目录一、项目简介二、环境准备三、模型定义四、数据划分：模拟客户端五、本地训练函数六、参数聚合函数&a…

💡 本文是联邦学习系列的第二篇，适合有一定 PyTorch 基础的读者。

✅ 适合练手
✅ 模拟真实场景
✅ 附完整可运行代码

📖 目录

一、项目简介
二、环境准备
三、模型定义
四、数据划分：模拟客户端
五、本地训练函数
六、参数聚合函数（FedAvg）
七、联邦主流程
八、测试准确率
九、总结与思考
🔚 下一步建议

一、项目简介

本项目通过 PyTorch 模拟联邦学习流程：

两个客户端（Client）
每个客户端本地训练模型
不共享数据，仅共享模型参数
服务端聚合模型，更新全局参数

📌 任务：手写数字识别（MNIST）

二、环境准备

pip install torch torchvision matplotlib

三、模型定义

我们使用一个简单的 2 层全连接神经网络（MLP）：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(28*28, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = x.view(-1, 28*28)  # flattenx = F.relu(self.fc1(x))x = self.fc2(x)return x

四、数据划分：模拟客户端

from torchvision import datasets, transforms
from torch.utils.data import DataLoader, random_splittransform = transforms.ToTensor()
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)# 模拟两个客户端，每人一半数据
client1_data, client2_data = random_split(train_dataset, [30000, 30000])
client1_loader = DataLoader(client1_data, batch_size=64, shuffle=True)
client2_loader = DataLoader(client2_data, batch_size=64, shuffle=True)

五、本地训练函数

def train_local(model, dataloader, epochs=1):model.train()optimizer = torch.optim.SGD(model.parameters(), lr=0.01)loss_fn = nn.CrossEntropyLoss()for _ in range(epochs):for X, y in dataloader:optimizer.zero_grad()output = model(X)loss = loss_fn(output, y)loss.backward()optimizer.step()return model.state_dict()

六、参数聚合函数（FedAvg）

def average_weights(w1, w2):avg_weights = {}for key in w1.keys():avg_weights[key] = (w1[key] + w2[key]) / 2return avg_weights

七、联邦主流程

global_model = MLP()for round in range(5):print(f"\n联邦训练第 {round+1} 轮")# 拷贝模型到客户端client1_model = MLP()client2_model = MLP()client1_model.load_state_dict(global_model.state_dict())client2_model.load_state_dict(global_model.state_dict())# 本地训练w1 = train_local(client1_model, client1_loader)w2 = train_local(client2_model, client2_loader)# 聚合参数new_weights = average_weights(w1, w2)global_model.load_state_dict(new_weights)

八、测试准确率

test_loader = DataLoader(datasets.MNIST('./data', train=False, download=True, transform=transform), batch_size=1000)def test(model):model.eval()correct = 0total = 0with torch.no_grad():for X, y in test_loader:outputs = model(X)_, predicted = torch.max(outputs, 1)correct += (predicted == y).sum().item()total += y.size(0)print(f"测试准确率: {correct / total * 100:.2f}%")test(global_model)