FATE MNIST手寫數字識別全連線網路

三、編輯執行配置檔案

四、編輯dsl配置檔案

五、開始訓練任務

參考資料

作業系統：macos sierra 10.12.6

docker版本：19.03.8

fate版本：單機版1.3

python版本：3.6.10

tensorflow：1.15.2

keras版本：2.2.4

awk -f'\t' -v ofs=
','' nr == 1  ' mnist_train.csv > mnist_train_with_id.csv

目的：在第一行最前面加上id，第二行開始加序號，並用逗號作為分隔符

sed -i "" "s/label/y/g" mnist_train_with_id.csv

目的：將表頭的label替換成y，在fate裡label的名字通常為y。

split -l 30001 mnist_train_with_id.csv mnist_train_3w.csv

目的：將mnist_train_with_id.csv分割，每乙個檔案有30001行（一行標題和30000行資料）。會生成兩個檔案：mnist_train_3w.csvaa和mnist_train_3w.csvab

mv mnist_train_3w.csvaa mnist_train_3w_a.csv mv mnist_train_3w.csvab mnist_train_3w_b.csv sed -i "" "`cat -n mnist_train_3w_a.csv | head -n 1` " mnist_train_3w_b.csv

目的：將兩個檔案重新命名，並將mnist_train_3w_a.csv檔案的第一行（csv的表頭）插入mnist_train_3w_b.csv的最前面。這樣我們就得到了兩個有表頭和id的資料集，各有30000條資料

docker cp $ fate_python: fate/examples/data/ docker cp $ fate_python: fate/examples/data/

$：本地儲存mnist_train_3w_a.csv的路徑

$：本地儲存mnist_train_3w_b.csv的路徑

目的：將本地資料拷貝至docker容器(fate_python)中的目錄(fate/examples/data/)下

（1）上傳host方資料

首先進入fate容器：

docker exec -it fate_python bash

apt-get update apt-get install vim apt-get install sudo

新建upload_data_host.json

sudo vi examples/federatedml-1.x-examples/homo_nn/upload_data_host.json

上傳命令：

python fate_flow/fate_flow_client.py -f upload -c examples/federatedml-1.x-examples/homo_nn/upload_data_host.json

（2）上傳guest方資料

新建upload_data_guest.json

sudo vi examples/federatedml-1.x-examples/homo_nn/upload_data_guest.json

上傳命令：

python fate_flow/fate_flow_client.py -f upload -c examples/federatedml-1.x-examples/homo_nn/upload_data_guest.json

可登入到fateboard檢視上傳任務情況

首先進入python直譯器：

python

搭建乙個keras模型：

import keras
from keras.models import sequential
from keras.layers import dense
model = sequential(
)model.add(dense(
512,activation=
'relu'
,input_shape=
(784,)
))model.add(dense(
256,activation=
'relu'))
model.add(dense(
10,activation=
'softmax'
))

得到json格式的模型：

json = model.to_json(
)print
(json)

拷貝輸出的一長串 json，退出python直譯器：

exit(
)

進入配置檔案，將剛剛輸出的json格式的模型拷貝到algorithm_parameters:homo_nn_0:$nn_define位置：

vi examples/federatedml-1.x-examples/homo_nn/test_homo_nn_keras_temperate.json

修改guest方資料集的name和namespace：

"name" :"homo_mnist_guest", "namespace" :"homo_mnist_guest"

修改host方資料集的name和namespace：

"name" :"homo_mnist_host", "namespace" :"homo_mnist_host"

修改超引數（可自行調整）：

"batch_size" : 100, "optimizer":, "early_stop":, "loss" :"categorical_crossentropy", "max_iter"

: 5

使用自帶的dsl配置檔案，路徑：

fate/examples/federatedml-1.x-examples/homo_nn/test_homo_nn_train_then_predict.json

命令：

python fate_flow/fate_flow_client.py -f submit_job -c examples/federatedml-1.x-examples/homo_nn/test_homo_nn_keras_temperate.json -d examples/federatedml-1.x-examples/homo_nn/test_homo_nn_train_then_predict.json

成功後將得到輸出：

},    "jobid"
:"202006131204487401867",
"retcode"
: 0,
"retmsg"
:"success"
}

可登入到fateboard檢視訓練任務情況

通過log可以檢視訓練過程中損失和精度的變化情況。

使用fate進行識別的深度神經網路聯邦學習

聯邦學習框架fate實踐（訓練/測試步驟及引數說明）

FATE MNIST手寫數字識別 全連線網路

手寫數字識別

手寫數字識別

手寫數字識別 實戰 KNN演算法識別手寫數字

相關推薦

FATE MNIST手寫數字識別全連線網路

手寫數字識別實戰 KNN演算法識別手寫數字