Auf dieser Seite wird beschrieben, wie Sie mit den Federated Learning APIs arbeiten, die von der On-Device-Personalisierung bereitgestellt werden, um ein Modell mit einem föderierten Mittelwertlernprozess und korrigiertem Gaußschen Rauschen zu trainieren.
Hinweis
Führen Sie die folgenden Schritte auf Ihrem Testgerät aus:
Das Modul „OnDevicePersonalization“ muss installiert sein. Das Modul ist seit April 2024 als automatisches Update verfügbar.
# List the modules installed on the device adb shell pm list packages --apex-only --show-versioncodeDas folgende Modul muss mit dem Versionscode 341717000 oder höher aufgeführt sein:
package:com.google.android.ondevicepersonalization versionCode:341717000Wenn das Modul nicht aufgeführt ist, rufen Sie Einstellungen > Sicherheit & Datenschutz > Updates > Google Play-Systemupdate auf und prüfen Sie, ob Ihr Gerät auf dem neuesten Stand ist. Wählen Sie bei Bedarf Aktualisieren aus.
Alle neuen Funktionen im Zusammenhang mit föderiertem Lernen aktivieren.
# Enable On-Device Personalization apk. adb shell device_config put on_device_personalization global_kill_switch false # Enable On-Device Personalization APIs. adb shell device_config put on_device_personalization enable_ondevicepersonalization_apis true # Enable On-Device Personalization overriding. adb shell device_config put on_device_personalization enable_personalization_status_override true adb shell device_config put on_device_personalization personalization_status_override_value true # Enable Federated Compute apk. adb shell device_config put on_device_personalization federated_compute_kill_switch false
Aufgabe für föderiertes Lernen erstellen
Die Ziffern im Diagramm werden in den folgenden acht Schritten genauer erläutert.
Föderiertes Computing-Server konfigurieren
Federated Learning ist ein Map-Reduce-Verfahren, das auf dem Federated Compute Server (dem Reducer) und einer Reihe von Clients (den Mappern) ausgeführt wird. Der Federated Compute-Server verwaltet die laufenden Metadaten und Modellinformationen jeder Federated-Learning-Aufgabe. Auf oberster Ebene:
- Ein Federated Learning-Entwickler erstellt eine neue Aufgabe und lädt sowohl Metadaten zur Aufgabenausführung als auch Modellinformationen auf den Server hoch.
- Wenn ein Federated Compute-Client eine neue Anfrage zur Aufgabenzuweisung an den Server sendet, prüft der Server die Eignung der Aufgabe und gibt Informationen zur berechtigten Aufgabe zurück.
- Sobald ein Federated Compute-Client die lokalen Berechnungen abgeschlossen hat, sendet er die Ergebnisse an den Server. Der Server führt dann eine Zusammenfassung und Verrauschung dieser Berechnungsergebnisse durch und wendet das Ergebnis auf das endgültige Modell an.
Weitere Informationen zu diesen Konzepten finden Sie hier:
- Federated Learning: Kollaboratives maschinelles Lernen ohne zentrale Trainingsdaten
- Towards Federated Learning at Scale: System Design (SysML 2019)
ODP verwendet eine erweiterte Version des föderierten Lernens, bei der vor der Anwendung auf das Modell ein kalibrierter (zentralisierter) Rauschen auf die Aggregate angewendet wird. Durch das Ausmaß des Rauschens wird sichergestellt, dass die Aggregate Differential Privacy wahren.
Schritt 1: Föderiertes Computing-Server erstellen
Folgen Sie der Anleitung im Federated Compute-Projekt, um einen eigenen Federated Compute-Server einzurichten.
Schritt 2: Gespeichertes FunctionalModel vorbereiten
Bereiten Sie eine gespeicherte Datei vom Typ FunctionalModel vor. Sie können 'functional_model_from_keras' verwenden, um ein 'Modell' in 'FunctionalModel' zu konvertieren und 'save_functional_model' zu verwenden, um dieses 'FunctionalModel' als "Storyboard" zu serialisieren.
functional_model = tff.learning.models.functional_model_from_keras(keras_model=model)
tff.learning.models.save_functional_model(functional_model, saved_model_path)
Schritt 3: Konfiguration für einen föderierten Compute-Server erstellen
Bereiten Sie eine fcp_server_config.json vor, die Richtlinien sowie die Einrichtung von föderiertem Lernen und Differential Privacy umfasst. Beispiel:
# Identifies the set of client devices that will participate.
population_name: "my_new_population"
# Options you can choose:
# * TRAINING_ONLY: Only one training task will be generated under this
# population.
# * TRAINING_AND_EVAL: One training task and one evaluation task will be
# generated under this population.
# * EVAL_ONLY: Only one evaluation task will be generated under this
# population.
mode: TRAINING_AND_EVAL
policies {
# Policy for sampling on-device examples. It is checked every time a
# device attempts to start a new training.
min_separation_policy {
# The minimum number of rounds before the same client participated.
minimum_separation: 3
}
# Policy for releasing training results to developers. It is checked
# when uploading a new task to the Federated Compute Server.
model_release_policy {
# Server stops training when number of training rounds reaches this
# number.
num_max_training_rounds: 1000
}
}
# Federated learning setups. They are applied inside Task Builder.
federated_learning {
learning_process {
# Use FED_AVG to build federated learning process. Options you can
# choose:
# * FED_AVG: Federated Averaging algorithm
# (https://arxiv.org/abs/2003.00295)
# * FED_SDG: Federated SGD algorithm
# (https://arxiv.org/abs/1602.05629)
type: FED_AVG
# Optimizer used at client side training. Options you can choose:
# * ADAM
# * SGD
client_optimizer: SGD
# Learning rate used at client side training.
client_learning_rate: 0.01
# Optimizer used at server side training. Options you can choose:
# * ADAM
# * SGD
server_optimizer: ADAM
# Learning rate used at server side training.
sever_learning_rate: 1
runtime_config {
# Number of participating devices for each round of training.
report_goal: 2000
}
# List of metrics to be evaluated by the model during training and
# evaluation. Federated Compute Server provides a list of allowed
# metrics.
metrics {
name: "auc-roc"
}
metrics {
name: "binary_accuracy"
}
}
# Whether or not to generate a corresponding evaluation task under the same
# population. If this field isn't set, only one training task is
# generated under this population.
evaluation {
# The task id under the same population of the source training task that
# this evaluation task evaluates.
source_training_task_id: 1
# Decides how checkpoints from the training task are chosen for
# evaluation.
# * every_k_round: the evaluation task randomly picks one checkpoint
# from the past k rounds of training task checkpoints.
# * every_k_hour: the evaluation task randomly picks one checkpoint
# from the past k hours of training task checkpoints.
checkpoint_selector: "every_1_round"
# The traffic of this evaluation task in this population.
evaluation_traffic: 0.1
# Number of participating devices for each round of evaluation.
report_goal: 200
}
}
# Differential Privacy setups. They are applied inside the Task Builder.
differential_privacy {
# The DP aggregation algorithm you want to use. Options you can choose:
# * FIXED_GAUSSIAN: Federated Learning DP-SGD with fixed clipping norm
# described in "Learning Differentially Private Recurrent
# Language Models" (https://arxiv.org/abs/1710.06963).
# * ADAPTIVE_GAUSSIAN: Federated Learning DP-SGD with quantile-based clip
# norm estimation described in "Differentially Private
# Learning with Adaptive Clipping"
# (https://arxiv.org/abs/1905.03871).
# * TREE: DP-FTRL algorithm described in "Practical and Private (Deep)
# Learning without Sampling or Shuffling"
# (https://arxiv.org/abs/2103.00039).
# * ADADPTIVE_TREE: DP-FTRL with adaptive clipping norm descirbed in
# "Differentially Private Learning with Adaptive Clipping"
# (https://arxiv.org/abs/1905.03871).
type: FIXED_GAUSSIAN
# Noise multiplier for the Gaussian noise.
noise_multiplier: 0.1
# The value of the clipping norm.
clip_norm: 0.1
}
Schritt 4: Reichen Sie die ZIP-Konfiguration beim Federated Compute-Server ein.
Reichen Sie die ZIP-Datei und fcp_server_config.json beim Federated Compute-Server ein.
task_builder_client --task_builder_server='http://{federated_compute_server_endpoint}' --saved_model='saved_model' --task_config='fcp_server_config.json'
Der Endpunkt des Federated Compute Servers ist der Server, den Sie in Schritt 1 eingerichtet haben.
Die integrierte LiteRT-Operatorbibliothek unterstützt nur eine begrenzte Anzahl von TensorFlow-Operatoren (ausgewählte TensorFlow-Operatoren). Der unterstützte Operatorsatz kann je nach Version des OnDevicePersonalization-Moduls variieren. Zur Gewährleistung der Kompatibilität wird im Task Builder während der Aufgabenerstellung ein Prozess der Operatorüberprüfung durchgeführt.
Die Mindestversion des unterstützten OnDevicePersonalization-Moduls ist in den Aufgabenmetadaten enthalten. Diese Informationen finden Sie in der Infonachricht des Task Builders.
I1023 22:16:53.058027 139653371516736 task_builder_client.py:109] Success! Tasks are built, and artifacts are uploaded to the cloud. I1023 22:16:53.058399 139653371516736 task_builder_client.py:112] applied_algorithms { learning_algo: FED_AVG client_optimizer: SGD server_optimizer: SGD dp_aggregator: FIXED_GAUSSIAN } metric_results { accepted_metrics: "binary_accuracy, binary_crossentropy, recall, precision, auc-roc, auc-pr" } dp_hyperparameters { dp_delta: 0.000001 dp_epsilon: 6.4 noise_multiplier: 1.0 dp_clip_norm: 1.0 num_training_rounds: 10000 } I1023 22:16:53.058594 139653371516736 task_builder_client.py:113] training_task { min_client_version: "341912000" } eval_task { min_client_version: "341812000" }Der Federated Compute-Server weist diese Aufgabe allen Geräten zu, die mit einem OnDevicePersonalization-Modul mit einer höheren Version als 341812000 ausgestattet sind.
Wenn Ihr Modell Vorgänge enthält, die von keinem OnDevicePersonalization-Modul unterstützt werden, wird beim Erstellen der Aufgabe eine Fehlermeldung generiert.
common.TaskBuilderException: Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {'L2Loss': 'L2LossOp<CPUDevice, float>'} . Stop building remaining artifacts.Eine detaillierte Liste der unterstützten Flex-Ops findest du auf GitHub.
Android-APK für föderiertes Computing erstellen
Wenn Sie ein Android Federated Compute APK erstellen möchten, müssen Sie den URL-Endpunkt des Federated Compute Servers in AndroidManifest.xml angeben, mit dem sich Ihr Federated Compute Client verbindet.
Schritt 5: URL-Endpunkt des Federated Compute Servers angeben
Geben Sie in Ihrer AndroidManifest.xml den URL-Endpunkt des Federated Compute-Servers an, den Sie in Schritt 1 eingerichtet haben und mit dem sich Ihr Federated Compute-Client verbindet.
<!-- Contents of AndroidManifest.xml -->
<manifest xmlns:android="http://schemas.android.com/apk/res/android"
package="com.example.odpsample" >
<application android:label="OdpSample">
<!-- XML resource that contains other ODP settings. -->
<property android:name="android.ondevicepersonalization.ON_DEVICE_PERSONALIZATION_CONFIG"
android:resource="@xml/OdpSettings"></property>
<!-- The service that ODP will bind to. -->
<service android:name="com.example.odpsample.SampleService"
android:exported="true" android:isolatedProcess="true" />
</application>
</manifest>
Die im <property>-Tag angegebene XML-Ressourcendatei muss auch die Dienstklasse in einem <service>-Tag deklarieren und den URL-Endpunkt des Federated Compute-Servers angeben, mit dem der Federated Compute-Client eine Verbindung herstellen wird:
<!-- Contents of res/xml/OdpSettings.xml -->
<on-device-personalization>
<!-- Name of the service subclass -->
<service name="com.example.odpsample.SampleService">
<!-- If you want to use federated compute feature to train a model,
specify this tag. -->
<federated-compute-settings url="https://fcpserver.com/" />
</service>
</on-device-personalization>
Schritt 6: IsolatedWorker#onTrainingExample API implementieren
Implementieren Sie die öffentliche On-Device-Personalisierungs-API IsolatedWorker#onTrainingExample, um Trainingsdaten zu generieren.
Code, der in der IsolatedProcess ausgeführt wird, hat keinen direkten Zugriff auf das Netzwerk, lokale Laufwerke oder andere Dienste, die auf dem Gerät ausgeführt werden. Die folgenden APIs sind jedoch verfügbar:
- 'getRemoteData': Unveränderliche Schlüssel/Wert-Daten, die gegebenenfalls von Remote-Backends heruntergeladen werden, die von Entwicklern betrieben werden.
- 'getLocalData': Veränderliche Schlüssel/Wert-Daten, die von Entwicklern lokal gespeichert werden, sofern zutreffend.
- UserData: Von der Plattform bereitgestellte Nutzerdaten.
- 'getLogReader': gibt einen DAO für die REQUESTS- und EVENTS-Tabellen zurück.
Beispiel:
@Override public void onTrainingExample(
@NonNull TrainingExampleInput input,
@NonNull Consumer<TrainingExampleOutput> consumer) {
// Check if the incoming training task is the task we want.
if (input.getPopulationName() == "my_new_population") {
TrainingExampleOutput result = new TrainingExampleOutput.Builder():
RequestLogRecord record = this.getLogReader().getRequestLogRecord(1);
int count = 1;
// Iterate logging event table.
for (ContentValues contentValues: record.rows()) {
Features features = Features.newBuilder()
// Retrieve carrier from user info.
.putFeature("carrier", buildFeature(mUserData.getCarrier()))
// Retrieve features from logging info.
.putFeature("int_feature_1",
buildFeature(contentValues.get("int_feature_1")
result.addTrainingExample(
Example.newBuilder()
.setFeatures(features).build().toByteArray())
.addResumptionToken(
String.format("token%d", count).getBytes()))
.build();
count++;
}
consumer.accept(result.build());
}
}
Schritt 7: Planen Sie eine wiederkehrende Trainingsaufgabe.
Die On-Device-Personalisierung bietet Entwicklern einen FederatedComputeScheduler, mit dem sie Jobs für föderierte Rechenvorgänge planen oder abbrechen können. Es gibt verschiedene Möglichkeiten, die Funktion über IsolatedWorker aufzurufen, entweder nach einem Zeitplan oder wenn ein asynchroner Download abgeschlossen ist. Im Folgenden finden Sie Beispiele für beide.
Zeitplanbasierte Option. Rufen Sie
FederatedComputeScheduler#scheduleinIsolatedWorker#onExecutean.@Override public void onExecute( @NonNull ExecuteInput input, @NonNull Consumer<ExecuteOutput> consumer ) { if (input != null && input.getAppParams() != null && input.getAppParams().getString("schedule_training") != null) { if (input.getAppParams().getString("schedule_training").isEmpty()) { consumer.accept(null); return; } TrainingInterval interval = new TrainingInterval.Builder() .setMinimumInterval(Duration.ofSeconds(10)) .setSchedulingMode(2) .build(); FederatedComputeScheduler.Params params = new FederatedComputeScheduler .Params(interval); FederatedComputeInput fcInput = new FederatedComputeInput.Builder() .setPopulationName( input.getAppParams().getString("schedule_training")).build(); mFCScheduler.schedule(params, fcInput); ExecuteOutput result = new ExecuteOutput.Builder().build(); consumer.accept(result); } }Option „Abgeschlossen“ herunterladen. Rufen Sie
FederatedComputeScheduler#scheduleinIsolatedWorker#onDownloadCompletedauf, wenn die Planung einer Trainingsaufgabe von asynchronen Daten oder Prozessen abhängt.
Validierung
In den folgenden Schritten wird beschrieben, wie Sie prüfen, ob die Aufgabe für die föderierte Lerntechnologie richtig ausgeführt wird.
Schritt 8: Prüfen Sie, ob die Aufgabe „Föderiertes Lernen“ ordnungsgemäß ausgeführt wird.
Bei jeder Runde der serverseitigen Aggregation werden ein neuer Modellprüfpunkt und eine neue Messwertdatei generiert.
Die Messwerte befinden sich in einer JSON-formatierten Datei mit Schlüssel/Wert-Paaren. Die Datei wird anhand der Liste von Metrics generiert, die Sie in Schritt 3 definiert haben. Hier ein Beispiel für eine JSON-Datei mit repräsentativen Messwerten:
{"server/client_work/train/binary_accuracy":0.5384615659713745, "server/client_work/train/binary_crossentropy":0.694046676158905, "server/client_work/train/recall":0.20000000298023224, "server/client_work/train/precision":0.3333333432674408, "server/client_work/train/auc-roc":0.3500000238418579, "server/client_work/train/auc-pr":0.44386863708496094, "server/finalizer/update_non_finite":0.0}
Sie können ein ähnliches Script wie das folgende verwenden, um Modellmesswerte abzurufen und die Trainingsleistung zu überwachen:
import collections
import json
import matplotlib.pyplot as plt
from google.cloud import storage
# The population_name you set in fcp_server_config.json in Step 3.
POPULATION_NAME = 'my_new_population'
# The Google Cloud storage you set in Step 1.
GCS_BUCKET_NAME = 'fcp-gcs'
NUM_TRAINING_ROUND = 1000
storage_client = storage.Client()
bucket = storage_client.bucket(GCS_BUCKET_NAME)
metrics = collections.defaultdict(list)
for i in range(NUM_TRAINING_ROUND):
blob = bucket.blob('{}/{}/1/{}/s/0/metrics'.format(GCS_BUCKET_NAME, POPULATION_NAME, i+1))
with blob.open("r") as f:
metric = json.loads(f.read())
for metric_name in metric.keys():
metrics[metric_name].append(metric[metric_name])
for metric_name in metrics:
print(metric_name)
plt.plot(metrics[metric_name])
plt.show()
Beachten Sie im vorherigen Beispieldiagramm Folgendes:
- Die X-Achse ist die Anzahl der Rundentrainings.
- Die y-Achse ist der Wert von Auc-roc jeder Runde.
Ein Bildklassifizierungsmodell für die On-Device-Personalisierung trainieren
In dieser Anleitung wird anhand des Datasets EMNIST veranschaulicht, wie eine föderierte Lernaufgabe in ODP ausgeführt wird.
Schritt 1: tff.learning.models.FunctionalModel erstellen
def get_image_classification_input_spec():
return (
tf.TensorSpec([None, 28, 28, 1], tf.float32),
tf.TensorSpec([None, 1], tf.int64),
)
def create_and_save_image_classification_functional_model(
model_path: str,
) -> None:
keras_model = emnist_models.create_original_fedavg_cnn_model(
only_digits=True
)
functional_model = tff.learning.models.functional_model_from_keras(
keras_model=keras_model,
input_spec=get_image_classification_input_spec(),
loss_fn=tf.keras.losses.SparseCategoricalCrossentropy(),
)
tff.learning.models.save_functional_model(functional_model, model_path)
- Die Details zum Emnist-Keras-Modell finden Sie unter emnist_models.
- TfLite unterstützt tf.sparse.SparseTensor oder tf.RaggedTensor noch nicht gut. Versuchen Sie, beim Erstellen des Modells so viel wie möglich tf.Tensor zu verwenden.
- Der ODP Task Builder überschreibt alle Messwerte beim Erstellen des Lernprozesses. Sie müssen keine Messwerte angeben. Dieses Thema wird in Schritt 2 ausführlicher behandelt. Task-Builder-Konfiguration erstellen
Es werden zwei Arten von Modelleingaben unterstützt:
Typ 1. Ein Tupel (features_tensor, label_tensor).
- Beim Erstellen des Modells sieht die Eingabespezifikation so aus:
def get_input_spec(): return ( tf.TensorSpec([None, 28, 28, 1], tf.float32), tf.TensorSpec([None, 1], tf.int64), )- Koppeln Sie das Vorstehende mit der folgenden Implementierung der öffentlichen ODP API IsolatedWorker#onTrainingExamples, um Trainingsdaten auf dem Gerät zu generieren:
return tf.train.Example( features=tf.train.Features( feature={ 'x': tf.train.Feature( float_list=tf.train.FloatList(value=[1.0] * 784) ), 'y': tf.train.Feature( int64_list=tf.train.Int64List( value=[1] ) ), } ) ).SerializeToString()Typ 2. Ein
Tuple(Dict[feature_name, feature_tensor], label_tensor)- Beim Erstellen des Modells sieht die Eingabespezifikation so aus:
def get_input_spec() -> ( Tuple[collections.OrderedDict[str, tf.TensorSpec], tf.TensorSpec] ): return ( collections.OrderedDict( [('feature-1', tf.TensorSpec([None, 1], tf.float32)), ('feature-2', tf.TensorSpec([None, 1], tf.float32))] ), tf.TensorSpec([None, 1], tf.int64), )- Kombinieren Sie das Vorangehende mit der folgenden Implementierung der öffentlichen ODP API IsolatedWorker#onTrainingExamples, um Trainingsdaten zu generieren:
return tf.train.Example( features=tf.train.Features( feature={ 'feature-1': tf.train.Feature( float_list=tf.train.FloatList(value=[1.0]) ), 'feature-2': tf.train.Feature( float_list=tf.train.FloatList(value=[2.0]) ), 'my_label': tf.train.Feature( int64_list=tf.train.Int64List( value=[1] ) ), } ) ).SerializeToString()- Denken Sie daran, label_name in der Konfigurationsdatei des Aufgabengenerators zu registrieren.
mode: TRAINING_AND_EVAL # Task execution mode population_name: "my_example_model" label_name: "my_label"
ODP verarbeitet die DP automatisch beim Erstellen des Lernprozesses. Sie müssen also bei der Erstellung des funktionalen Modells kein Rauschen hinzufügen.
Die Ausgabe dieses gespeicherten funktionalen Modells sollte wie das Beispiel in unserem GitHub-Repository aussehen.
Schritt 2: Task-Builder-Konfiguration erstellen
Beispiele für die Task Builder-Konfiguration finden Sie in unserem GitHub-Repository.
Messwerte für Training und Bewertung
Da Messwerte Nutzerdaten preisgeben können, enthält der Aufgaben-Builder eine Liste der Messwerte, die der Lernprozess generieren und freigeben kann. Die vollständige Liste finden Sie in unserem GitHub-Repository.
Hier ist eine Beispielliste für Messwerte beim Erstellen einer neuen Konfiguration für den Aufgabenersteller:
federated_learning { learning_process { metrics { name: "binary_accuracy" } metrics { name: "binary_crossentropy" } metrics { name: "recall" } metrics { name: "precision" } metrics { name: "auc-roc" } metrics { name: "auc-pr" } } }
Wenn die gewünschten Messwerte nicht in der Liste enthalten sind, wenden Sie sich bitte an uns.
DP-Konfigurationen
Es gibt einige DP-bezogene Konfigurationen, die angegeben werden müssen:
policies { min_separation_policy { minimum_separation: 1 } model_release_policy { num_max_training_rounds: 1000 dp_target_epsilon: 10 dp_delta: 0.000001 } } differential_privacy { type: FIXED_GAUSSIAN clip_norm: 0.1 noise_multiplier: 0.1 }- Entweder
dp_target_epsilonodernoise_mulitipilerist vorhanden, um die Validierung zu bestehen: (noise_to_epsilonepislon_to_noise). - Diese Standardeinstellungen finden Sie in unserem GitHub-Repository.
- Entweder
Schritt 3: Laden Sie das gespeicherte Modell und die Task-Builder-Konfiguration in den Cloud-Speicher eines beliebigen Entwicklers hoch.
Denken Sie daran, die artifact_building-Felder zu aktualisieren, wenn Sie die Task Builder-Konfiguration hochladen.
Schritt 4: Optional: Artefakt-Erstellung testen, ohne eine neue Aufgabe zu erstellen
cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --task_builder_server=${task_builder_server_endpoint}
Das Beispielmodell wird sowohl durch die Flex-Ops- als auch die DP-Prüfung validiert. Sie können skip_flex_ops_check und skip_dp_check hinzufügen, um die Validierung zu umgehen. Dieses Modell kann aufgrund einiger fehlender Flex-Ops nicht in der aktuellen Version des ODP-Clients bereitgestellt werden.
cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --task_builder_server=${task_builder_server_endpoint} --skip_flex_ops_check=True --skip_dp_check=True
flex_ops_check: Die integrierte TensorFlow Lite-Operatorbibliothek unterstützt nur eine begrenzte Anzahl von TensorFlow-Operatoren (Kompatibilität mit TensorFlow Lite- und TensorFlow-Operatoren). Alle inkompatiblen TensorFlow-Ops müssen mit dem Flex-Delegierten (Android.bp) installiert werden. Wenn ein Modell nicht unterstützte Vorgänge enthält, kontaktieren Sie uns, um diese zu registrieren:
Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {...}Am besten starten Sie einen Task-Builder lokal, um Fehler zu beheben:
# Starts a server at localhost:5000 bazel run //python/taskbuilder:task_builder # Links to a server at localhost:5000 by removing task_builder_server flag bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --skip_flex_ops_check=True --skip_dp_check=True
Sie finden die resultierenden Artefakte im in der Konfiguration angegebenen Cloud-Speicher. Er sollte wie im Beispiel in unserem GitHub-Repository aussehen.
Schritt 5: Erstellen Sie Artefakte und erstellen Sie auf dem FCP-Server ein neues Paar aus Trainings- und Bewertungsaufgaben.
Entfernen Sie das Flag build_artifact_only. Die erstellten Artefakte werden dann auf den FCP-Server hochgeladen. Prüfen Sie, ob ein Paar von Trainings- und Bewertungsaufgaben erfolgreich erstellt wurde.
cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config.pbtxt --task_builder_server=${task_builder_server_endpoint}
Schritt 6: FCP clientseitig vorbereiten
- Implementieren Sie die öffentliche ODP API
IsolatedWorker#onTrainingExamples, um Trainingsdaten zu generieren. - Rufen Sie
FederatedComputeScheduler#scheduleauf. - In unserem Android-Quell-Repository finden Sie einige Beispiele.
Schritt 7: Monitoring
Servermesswerte
Eine Anleitung zur Einrichtung finden Sie in unserem GitHub-Repository.
- Modellmesswerte
Es ist möglich, Messwerte aus verschiedenen Läufen in einem Diagramm zu vergleichen. Beispiel:
- Die lila Linie entspricht
noise_multiplier0.1. - Die rosa Linie steht für
noise_multipiler0,3