聯(lián)邦學習（ FL ）已成為許多實際應用的現(xiàn)實。它使全球范圍內(nèi)的跨國合作能夠構建更健壯、更通用的機器學習和人工智能模型。

NVIDIA FLARE v2.0 是一款開源的 FL SDK ，通過共享模型權重而非私有數(shù)據(jù)，數(shù)據(jù)科學家可以更輕松地協(xié)作開發(fā)更具通用性的健壯人工智能模型。

對于醫(yī)療保健應用程序，這在數(shù)據(jù)受患者保護、某些患者類型和疾病的數(shù)據(jù)可能稀少，或者數(shù)據(jù)在儀器類型、性別和地理位置上缺乏多樣性的情況下尤其有益。

查看標志

NVIDIA FLARE 代表 聯(lián)合學習應用程序運行時環(huán)境 。它是引擎的基礎NVIDIA Clara Train FL 軟件，它已經(jīng)被用于醫(yī)學成像、遺傳分析、腫瘤學和 COVID-19 研究中的人工智能應用。 SDK 使研究人員和數(shù)據(jù)科學家能夠將其現(xiàn)有的機器學習和深度學習工作流調(diào)整為分布式范例，并使平臺開發(fā)人員能夠為分布式多方協(xié)作構建安全、隱私保護的產(chǎn)品。

NVIDIA FLARE 是一個輕量級、靈活且可擴展的分布式學習框架，在 Python 中實現(xiàn)，與您的基礎培訓庫無關。您可以在 PyTorch ， TensorFlow ，甚至只是 NumPy 中實現(xiàn)自己的數(shù)據(jù)科學工作流，并在聯(lián)邦設置中應用它們。

也許您希望實現(xiàn)流行的 聯(lián)邦平均（ FedAvg ）算法 。從初始全局模型開始，每個 FL 客戶機在其本地數(shù)據(jù)上訓練模型一段時間，并將模型更新發(fā)送到服務器進行聚合。然后，服務器使用聚合更新來更新下一輪培訓的全局模型。此過程將反復多次，直到模型收斂。

NVIDIA FLARE 提供可定制的控制器工作流，以幫助您實施 FedAvg 和其他 FL 算法，例如， 循環(huán)重量轉移 。它安排不同的任務，例如深度學習培訓，在參與的 FL 客戶機上執(zhí)行。工作流使您能夠從每個客戶端收集結果（例如模型更新），并將其聚合以更新全局模型，并將更新的全局模型發(fā)回以供繼續(xù)培訓。圖 1 顯示了原理。

每個 FL 客戶機充當工人，請求執(zhí)行下一個任務，例如模型培訓?？刂破魈峁┤蝿蘸?，工作人員執(zhí)行任務并將結果返回給控制器。在每次通信中，可以有可選的過濾器來處理任務數(shù)據(jù)或結果，例如， homomorphic encryption 和解密或差異隱私。

圖 1 。 NVIDIA FLARE 工作流

實現(xiàn) FedAvg 的任務可以是一個簡單的 PyTorch 程序，它為 CIFAR-10 訓練一個分類模型。您當?shù)氐呐嘤枎熆赡芸雌饋硐裣旅娴拇a示例。為了簡單起見，我跳過了整個培訓循環(huán)。

import torch
import torch.nn as nn
import torch.nn.functional as F from nvflare.apis.dxo import DXO, DataKind, MetaKey, from_shareable
from nvflare.apis.executor import Executor
from nvflare.apis.fl_constant import ReturnCode
from nvflare.apis.fl_context import FLContext
from nvflare.apis.shareable import Shareable, make_reply
from nvflare.apis.signal import Signal
from nvflare.app_common.app_constant import AppConstants class SimpleNetwork(nn.Module): def __init__(self): super(SimpleNetwork, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = torch.flatten(x, 1) # flatten all dimensions except batch x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x class SimpleTrainer(Executor): def __init__(self, train_task_name: str = AppConstants.TASK_TRAIN): super().__init__() self._train_task_name = train_task_name self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") self.model = SimpleNetwork() self.model.to(self.device) self.optimizer = torch.optim.SGD(self.model.parameters(), lr=0.001, momentum=0.9) self.criterion = nn.CrossEntropyLoss() def execute(self, task_name: str, shareable: Shareable, fl_ctx: FLContext, abort_signal: Signal) -> Shareable: """ This function is an extended function from the superclass. As a supervised learning-based trainer, the train function will run training based on model weights from `shareable`. After finishing training, a new `Shareable` object will be submitted to server for aggregation.""" if task_name == self._train_task_name: epoch_len = 1 # Get current global model weights dxo = from_shareable(shareable) # Ensure data kind is weights. if not dxo.data_kind == DataKind.WEIGHTS: self.log_exception(fl_ctx, f"data_kind expected WEIGHTS but got {dxo.data_kind} instead.") return make_reply(ReturnCode.EXECUTION_EXCEPTION) # creates an empty Shareable with the return code # Convert weights to tensor and run training torch_weights = {k: torch.as_tensor(v) for k, v in dxo.data.items()} self.local_train(fl_ctx, torch_weights, epoch_len, abort_signal) # compute the differences between torch_weights and the now locally trained model model_diff = ... # build the shareable using a Data Exchange Object (DXO) dxo = DXO(data_kind=DataKind.WEIGHT_DIFF, data=model_diff) dxo.set_meta_prop(MetaKey.NUM_STEPS_CURRENT_ROUND, epoch_len) self.log_info(fl_ctx, "Local training finished. Returning shareable") return dxo.to_shareable() else: return make_reply(ReturnCode.TASK_UNKNOWN) def local_train(self, fl_ctx, weights, epoch_len, abort_signal): # Your training routine should respect the abort_signal. ... # Your local training loop ... for e in range(epoch_len): ... if abort_signal.triggered: self._abort_execution() ... def _abort_execution(self, return_code=ReturnCode.ERROR) -> Shareable: return make_reply(return_code)

您可以看到您的任務實現(xiàn)可以執(zhí)行許多不同的任務。您可以計算每個客戶機上的摘要統(tǒng)計信息，并與服務器共享（記住隱私限制），執(zhí)行本地數(shù)據(jù)的預處理，或者評估已經(jīng)訓練過的模型。

在 FL 培訓期間，您可以在每輪培訓開始時繪制全局模型的性能。對于本例，我們在 CIFAR-10 的異構數(shù)據(jù)拆分上運行了八個客戶端。在下圖（圖 2 ）中，我顯示了默認情況下 NVIDIA FLARE 2.0 中可用的不同配置：

FedAvg

FedProx

FedOpt

使用同態(tài)加密進行安全聚合的 FedAvg （ FedAvg HE ）

圖 2 。訓練期間不同 FL 算法全局模型的驗證精度

雖然 FedAvg 、 FedAvg HE 和 FedProx 在這項任務中的性能相當，但您可以使用 FedOpt 設置觀察到改進的收斂性，該設置使用 SGD with momentum 來更新服務器上的全局模型。

整個 FL 系統(tǒng)可以使用管理 API 進行控制，以自動啟動和操作不同配置的任務和工作流。 NVIDIA 還提供了一個全面的資源調(diào)配系統(tǒng)，可在現(xiàn)實世界中輕松安全地部署 FL 應用程序，同時還提供了運行本地 FL 模擬的概念驗證研究。

圖 3 。 NVIDIA FLARE 供應、啟動、操作（ PSO ）組件及其 API

開始

NVIDIA FLARE 使 FL 可用于更廣泛的應用。潛在使用案例包括幫助能源公司分析地震和井筒數(shù)據(jù)、制造商優(yōu)化工廠運營以及金融公司改進欺詐檢測模型。

關于作者

Holger Roth 是 NVIDIA 的高級應用研究科學家，專注于醫(yī)學成像的深度學習。在過去幾年中，他一直與臨床醫(yī)生和學者密切合作，為放射應用開發(fā)基于深度學習的醫(yī)學圖像計算和計算機輔助檢測模型。他擁有博士學位。來自英國倫敦大學學院。

審核編輯：郭婷