इस पेज पर, डिवाइस पर उपयोगकर्ताओं के हिसाब से कॉन्टेंट दिखाने की सुविधा से मिलने वाले फ़ेडरेटेड लर्निंग एपीआई के साथ काम करने का तरीका बताया गया है. इससे, फ़ेडरेटेड औसत लर्निंग प्रोसेस और तय किए गए गॉसियन नॉइज़ की मदद से, मॉडल को ट्रेन किया जा सकता है.
शुरू करने से पहले
शुरू करने से पहले, अपने टेस्ट डिवाइस पर यह तरीका अपनाएं:
पक्का करें कि OnDevicePersonalization मॉड्यूल इंस्टॉल हो. यह मॉड्यूल, अप्रैल 2024 में अपने-आप अपडेट होने की सुविधा के तौर पर उपलब्ध हो गया था.
# List the modules installed on the device adb shell pm list packages --apex-only --show-versioncodeपक्का करें कि यहां दिए गए मॉड्यूल का वर्शन कोड 341717000 या इससे ज़्यादा हो:
package:com.google.android.ondevicepersonalization versionCode:341717000अगर वह मॉड्यूल सूची में नहीं है, तो सेटिंग > सुरक्षा और निजता > अपडेट > Google Play का सिस्टम अपडेट पर जाएं और पक्का करें कि आपका डिवाइस अप-टू-डेट हो. ज़रूरत के हिसाब से अपडेट करें को चुनें.
फ़ेडरेटेड लर्निंग से जुड़ी सभी नई सुविधाएं चालू करें.
# 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
फ़ेडरेटेड लर्निंग टास्क बनाना
डायग्राम में दिए गए नंबरों के बारे में ज़्यादा जानकारी, नीचे दिए गए आठ चरणों में दी गई है.
फ़ेडरेटेड कंप्यूट सर्वर कॉन्फ़िगर करना
फ़ेडरेटेड लर्निंग, एक मैप-रिड्यूस है, जो फ़ेडरेटेड कंप्यूट सर्वर (रिड्यूसर) और क्लाइंट (मैपर) के सेट पर चलता है. फ़ेडरेटेड कंप्यूट सर्वर, फ़ेडरेटेड लर्निंग के हर टास्क का रनिंग मेटाडेटा और मॉडल की जानकारी को मैनेज करता है. खास जानकारी:
- फ़ेडरेटेड लर्निंग डेवलपर, नया टास्क बनाता है और टास्क के रनिंग मेटाडेटा और मॉडल की जानकारी, दोनों को सर्वर पर अपलोड करता है.
- जब कोई फ़ेडरेटेड कंप्यूट क्लाइंट, सर्वर को नए टास्क असाइनमेंट का अनुरोध करता है, तो सर्वर टास्क की ज़रूरी शर्तों की जांच करता है और ज़रूरी शर्तें पूरी करने वाले टास्क की जानकारी दिखाता है.
- जब कोई फ़ेडरेटेड कंप्यूट क्लाइंट स्थानीय कैलकुलेशन पूरा कर लेता है, तो वह कैलकुलेशन के नतीजे सर्वर पर भेजता है. इसके बाद, सर्वर इन कैलकुलेशन के नतीजों को एग्रीगेट करता है और उनमें नॉइज़ जोड़ता है. साथ ही, नतीजे को फ़ाइनल मॉडल पर लागू करता है.
इन कॉन्सेप्ट के बारे में ज़्यादा जानने के लिए, ये लेख पढ़ें:
- फ़ेडरेटेड लर्निंग: ट्रेनिंग के लिए एक ही जगह पर मौजूद डेटा के बिना, मिलकर मशीन लर्निंग
- बड़े पैमाने पर फ़ेडरेटेड लर्निंग की ओर: सिस्टम डिज़ाइन (SysML 2019)
ओडीपी, फ़ेडरेटेड लर्निंग के बेहतर वर्शन का इस्तेमाल करता है. इसमें मॉडल पर लागू करने से पहले, एग्रीगेट पर कैलिब्रेट किया गया (केंद्रीकृत) नॉइज़ लागू किया जाता है. नॉइज़ के स्केल से यह पक्का होता है कि एग्रीगेट किए गए डेटा में, डिफ़रेंशियल प्राइवसी की सुविधा का इस्तेमाल किया गया है.
पहला चरण. फ़ेडरेटेड कंप्यूट सर्वर बनाना
अपना फ़ेडरेटेड कंप्यूट सर्वर सेट अप करने के लिए, फ़ेडरेटेड कंप्यूट प्रोजेक्ट में दिए गए निर्देशों का पालन करें.
दूसरा चरण. सेव किया गया फ़ंक्शनल मॉडल तैयार करना
सेव की गई 'FunctionalModel' फ़ाइल तैयार करें. 'Model' को 'FunctionalModel' में बदलने के लिए, 'functional_model_from_keras' का इस्तेमाल किया जा सकता है. साथ ही, इस 'FunctionalModel' को 'SavedModel' के तौर पर सीरियलाइज़ करने के लिए, 'save_functional_model' का इस्तेमाल किया जा सकता है.
functional_model = tff.learning.models.functional_model_from_keras(keras_model=model)
tff.learning.models.save_functional_model(functional_model, saved_model_path)
तीसरा चरण. फ़ेडरेटेड कंप्यूट सर्वर का कॉन्फ़िगरेशन बनाना
एक fcp_server_config.json तैयार करें, जिसमें नीतियां, फ़ेडरेटेड लर्निंग सेटअप, और अलग-अलग निजता सेटिंग शामिल हों. उदाहरण:
# 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
}
चरण 4. फ़ेडरेटेड कंप्यूट सर्वर पर, ज़िप कॉन्फ़िगरेशन सबमिट करें.
ज़िप फ़ाइल और fcp_server_config.json को फ़ेडरेटेड कंप्यूट सर्वर पर सबमिट करें.
task_builder_client --task_builder_server='http://{federated_compute_server_endpoint}' --saved_model='saved_model' --task_config='fcp_server_config.json'
फ़ेडरेटेड कंप्यूट सर्वर एंडपॉइंट वह सर्वर है जिसे आपने पहले चरण में सेट अप किया था.
LiteRT में पहले से मौजूद ऑपरेटर लाइब्रेरी, सिर्फ़ कुछ TensorFlow ऑपरेटर के साथ काम करती है (चुनिंदा TensorFlow ऑपरेटर). OnDevicePersonalization मॉड्यूल के अलग-अलग वर्शन के हिसाब से, काम करने वाले ऑपरेटर सेट अलग-अलग हो सकते हैं. यह पक्का करने के लिए कि टास्क बनाने के दौरान, ऑपरेटर की पुष्टि की प्रक्रिया को टास्क बिल्डर में ही पूरा किया जा सकता है.
टास्क के मेटाडेटा में, OnDevicePersonalization मॉड्यूल का कम से कम वह वर्शन शामिल किया जाएगा जो काम करता है. यह जानकारी, टास्क बिल्डर के सूचना मैसेज में देखी जा सकती है.
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" }फ़ेडरेटेड कंप्यूट सर्वर, यह टास्क उन सभी डिवाइसों को असाइन करेगा जिनमें 341812000 से ज़्यादा वर्शन वाला OnDevicePersonalization मॉड्यूल है.
अगर आपके मॉडल में ऐसे ऑपरेशन शामिल हैं जो OnDevicePersonalization के किसी भी मॉड्यूल के साथ काम नहीं करते, तो टास्क बनाते समय गड़बड़ी का मैसेज जनरेट होगा.
common.TaskBuilderException: Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {'L2Loss': 'L2LossOp<CPUDevice, float>'} . Stop building remaining artifacts.GitHub पर, इस्तेमाल किए जा सकने वाले फ़्लेक्स ऑपरेशन की पूरी सूची देखी जा सकती है.
Android फ़ेडरेटेड कंप्यूट APK बनाना
Android फ़ेडरेटेड कंप्यूट APK बनाने के लिए, आपको अपने AndroidManifest.xml में फ़ेडरेटेड कंप्यूट सर्वर यूआरएल एंडपॉइंट की जानकारी देनी होगी. इससे आपका फ़ेडरेटेड कंप्यूट क्लाइंट कनेक्ट होता है.
पाँचवाँ चरण. फ़ेडरेटेड कंप्यूट सर्वर का यूआरएल एंडपॉइंट डालें
अपने AndroidManifest.xml में, फ़ेडरेटेड कंप्यूट सर्वर का यूआरएल एंडपॉइंट डालें. यह वह एंडपॉइंट है जिसे आपने पहले चरण में सेट अप किया था. इससे आपका फ़ेडरेटेड कंप्यूट क्लाइंट कनेक्ट होता है.
<!-- 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>
<property> टैग में बताई गई एक्सएमएल रिसॉर्स फ़ाइल में, <service> टैग में सेवा क्लास की जानकारी भी होनी चाहिए. साथ ही, उस फ़ेडरेटेड कंप्यूट सर्वर के यूआरएल एंडपॉइंट की जानकारी भी होनी चाहिए जिससे फ़ेडरेटेड कंप्यूट क्लाइंट कनेक्ट होगा:
<!-- 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>
छठा चरण. IsolatedWorker#onTrainingExample API को लागू करना
ट्रेनिंग डेटा जनरेट करने के लिए, डिवाइस पर उपयोगकर्ताओं के अनुभव को मनमुताबिक बनाने वाले सार्वजनिक एपीआई IsolatedWorker#onTrainingExample को लागू करें.
IsolatedProcess में चलने वाले कोड के पास, डिवाइस पर चलने वाले नेटवर्क, लोकल डिस्क या अन्य सेवाओं का सीधा ऐक्सेस नहीं होता. हालांकि, ये एपीआई उपलब्ध हैं:
- 'getRemoteData' - डेवलपर के ऑपरेट किए जा रहे बैकएंड से डाउनलोड किया गया, बदलाव न किया जा सकने वाला की-वैल्यू डेटा. हालांकि, यह ज़रूरी नहीं है कि यह हमेशा उपलब्ध हो.
- 'getLocalData' - डेवलपर के पास, स्थानीय तौर पर सेव किए गए बदलाव किए जा सकने वाले की-वैल्यू डेटा को ऐक्सेस करने का विकल्प होता है. हालांकि, ऐसा सिर्फ़ तब किया जा सकता है, जब डेवलपर ने ऐसा किया हो.
- 'UserData' - प्लैटफ़ॉर्म से मिला उपयोगकर्ता का डेटा.
- 'getLogReader' - यह REQUESTS और EVENTS टेबल के लिए DAO दिखाता है.
उदाहरण:
@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());
}
}
सातवां चरण. बार-बार होने वाला ट्रेनिंग टास्क शेड्यूल करें.
डिवाइस पर उपयोगकर्ताओं के हिसाब से बनाने की सुविधा, डेवलपर को FederatedComputeScheduler उपलब्ध कराती है. इसकी मदद से, वे फ़ेडरेटेड कंप्यूट जॉब को शेड्यूल या रद्द कर सकते हैं. IsolatedWorker की मदद से इसे कॉल करने के लिए, शेड्यूल करने या असाइन किए गए डाउनलोड के पूरा होने पर, अलग-अलग विकल्प उपलब्ध हैं. दोनों के उदाहरण यहां दिए गए हैं.
शेड्यूल के हिसाब से विकल्प.
IsolatedWorker#onExecuteमेंFederatedComputeScheduler#scheduleको कॉल करें.@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); } }डाउनलोड पूरा होने का विकल्प. अगर ट्रेनिंग टास्क को शेड्यूल करने के लिए, किसी ऐसे डेटा या प्रोसेस पर निर्भर करना है जो एक साथ काम नहीं करती हैं, तो
IsolatedWorker#onDownloadCompletedमेंFederatedComputeScheduler#scheduleको कॉल करें.
पुष्टि
यहां बताया गया है कि फ़ेडरेटेड लर्निंग टास्क ठीक से चल रहा है या नहीं, इसकी पुष्टि कैसे की जा सकती है.
चरण 8. पुष्टि करें कि फ़ेडरेटेड लर्निंग टास्क सही तरीके से चल रहा है या नहीं.
सर्वर साइड एग्रीगेशन के हर राउंड में, एक नया मॉडल चेकपॉइंट और एक नई मेट्रिक फ़ाइल जनरेट होती है.
मेट्रिक, की-वैल्यू पेयर की JSON फ़ॉर्मैट वाली फ़ाइल में होती हैं. यह फ़ाइल, Metrics की उस सूची से जनरेट होती है जिसे आपने तीसरे चरण में तय किया था. मेट्रिक की JSON फ़ाइल का उदाहरण यहां दिया गया है:
{"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}
मॉडल की मेट्रिक पाने और ट्रेनिंग की परफ़ॉर्मेंस पर नज़र रखने के लिए, इस स्क्रिप्ट जैसी किसी स्क्रिप्ट का इस्तेमाल किया जा सकता है:
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()
ध्यान दें कि पिछले उदाहरण के ग्राफ़ में:
- एक्स-ऐक्सिस, राउंड ट्रेनिंग की संख्या है.
- y-ऐक्सिस, हर राउंड के auc-roc की वैल्यू है.
उपयोगकर्ता के डिवाइस पर, पर्सनलाइज़ेशन के लिए इमेज क्लासिफ़िकेशन मॉडल को ट्रेनिंग देना
इस ट्यूटोरियल में, EMNIST डेटासेट का इस्तेमाल करके, ओडीपी पर फ़ेडरेटेड लर्निंग टास्क चलाने का तरीका बताया गया है.
पहला चरण. tff.learning.models.FunctionalModel बनाएं
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)
- emnist_models में, emnist keras मॉडल की जानकारी देखी जा सकती है.
- फ़िलहाल, TfLite में tf.sparse.SparseTensor या tf.RaggedTensor के लिए बेहतर सुविधा उपलब्ध नहीं है. मॉडल बनाते समय, tf.Tensor का ज़्यादा से ज़्यादा इस्तेमाल करें.
- लर्निंग प्रोसेस बनाते समय, ओडीपी टास्क बिल्डर सभी मेट्रिक को ओवरराइट कर देगा. इसलिए, किसी भी मेट्रिक को तय करने की ज़रूरत नहीं है. इस विषय के बारे में ज़्यादा जानकारी दूसरे चरण में दी गई है. टास्क बिल्डर कॉन्फ़िगरेशन बनाएं.
मॉडल के लिए दो तरह के इनपुट इस्तेमाल किए जा सकते हैं:
टाइप 1. ट्यूपल(features_tensor, label_tensor).
- मॉडल बनाते समय, input_spec इस तरह दिखता है:
def get_input_spec(): return ( tf.TensorSpec([None, 28, 28, 1], tf.float32), tf.TensorSpec([None, 1], tf.int64), )- डिवाइस पर ट्रेनिंग डेटा जनरेट करने के लिए, ऊपर दिए गए कोड को ODP के सार्वजनिक API IsolatedWorker#onTrainingExamples के इस लागू किए गए कोड के साथ जोड़ें:
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()टाइप 2.
Tuple(Dict[feature_name, feature_tensor], label_tensor)- मॉडल बनाते समय, input_spec इस तरह दिखता है:
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), )- ट्रेनिंग डेटा जनरेट करने के लिए, ऊपर दिए गए कोड को ODP के सार्वजनिक एपीआई IsolatedWorker#onTrainingExamples के इस लागू किए गए कोड के साथ जोड़ें:
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()- टास्क बिल्डर कॉन्फ़िगरेशन में label_name को रजिस्टर करना न भूलें.
mode: TRAINING_AND_EVAL # Task execution mode population_name: "my_example_model" label_name: "my_label"
लर्निंग प्रोसेस बनाते समय, ओडीपी डीपी को अपने-आप मैनेज करता है. इसलिए, फ़ंक्शनल मॉडल बनाते समय कोई ग़ैर-ज़रूरी जानकारी जोड़ने की ज़रूरत नहीं है.
सेव किए गए इस फ़ंक्शनल मॉडल का आउटपुट, GitHub रिपॉज़िटरी में मौजूद सैंपल जैसा दिखना चाहिए.
दूसरा चरण. टास्क बिल्डर कॉन्फ़िगरेशन बनाना
हमारे GitHub रिपॉज़िटरी में, टास्क बिल्डर कॉन्फ़िगरेशन के सैंपल देखे जा सकते हैं.
ट्रेनिंग और आकलन की मेट्रिक
मेट्रिक से उपयोगकर्ता का डेटा लीक हो सकता है. इसलिए, टास्क बिल्डर में उन मेट्रिक की सूची होगी जिन्हें लर्निंग प्रोसेस जनरेट और रिलीज़ कर सकती है. हमारे GitHub डेटा स्टोर में, पूरी सूची देखी जा सकती है.
नया टास्क बिल्डर कॉन्फ़िगरेशन बनाते समय, मेट्रिक की सूची का सैंपल यहां दिया गया है:
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" } } }
अगर आपकी पसंद की मेट्रिक मौजूदा सूची में नहीं हैं, तो हमसे संपर्क करें.
डीपी कॉन्फ़िगरेशन
डीपी से जुड़े कुछ कॉन्फ़िगरेशन की जानकारी देना ज़रूरी है:
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 }- पुष्टि करने के लिए,
dp_target_epsilonयाnoise_mulitipilerमें से कोई एक मौजूद है: (noise_to_epsilonepislon_to_noise). - आपको ये डिफ़ॉल्ट सेटिंग, हमारे GitHub डेटा स्टोर में मिल सकती हैं.
- पुष्टि करने के लिए,
तीसरा चरण. सेव किए गए मॉडल और टास्क बिल्डर कॉन्फ़िगरेशन को किसी भी डेवलपर के क्लाउड स्टोरेज में अपलोड करना
टास्क बिल्डर कॉन्फ़िगरेशन अपलोड करते समय, artifact_building फ़ील्ड अपडेट करना न भूलें.
चरण 4. (ज़रूरी नहीं) नया टास्क बनाए बिना आर्टफ़ैक्ट बनाने की प्रोसेस को टेस्ट करना
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}
सैंपल मॉडल की पुष्टि, फ़्लेक्स ऑपरेशन की जांच और डीपी की जांच, दोनों के ज़रिए की जाती है. पुष्टि के दौरान बायपास करने के लिए, skip_flex_ops_check और skip_dp_check जोड़े जा सकते हैं. कुछ फ़्लेक्स ऑपरेशन मौजूद न होने की वजह से, इस मॉडल को ODP क्लाइंट के मौजूदा वर्शन में डिप्लॉय नहीं किया जा सकता.
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: TensorFlow Lite में पहले से मौजूद ऑपरेटर लाइब्रेरी, सिर्फ़ कुछ ऑपरेटर के साथ काम करती है (TensorFlow Lite और TensorFlow ऑपरेटर के साथ काम करने की सुविधा). काम न करने वाले सभी tensorflow ops को, फ़्लेक्स डेलिगेट (Android.bp) का इस्तेमाल करके इंस्टॉल करना होगा. अगर किसी मॉडल में ऐसे ऑपरेशन शामिल हैं जो काम नहीं करते, तो उन्हें रजिस्टर करने के लिए हमसे संपर्क करें:
Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {...}टास्क बिल्डर को डीबग करने का सबसे अच्छा तरीका यह है कि उसे स्थानीय तौर पर शुरू किया जाए:
# 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
नतीजे के आर्टफ़ैक्ट, कॉन्फ़िगरेशन में बताए गए क्लाउड स्टोरेज में देखे जा सकते हैं. यह हमारे GitHub डेटा स्टोर करने की जगह में दिए गए उदाहरण जैसा होना चाहिए.
पाँचवाँ चरण. आर्टफ़ैक्ट बनाएं और FCP सर्वर पर ट्रेनिंग और आकलन टास्क का नया जोड़ा बनाएं.
build_artifact_only फ़्लैग हटाएं. इसके बाद, बने आर्टफ़ैक्ट, FCP सर्वर पर अपलोड हो जाएंगे. आपको यह देखना चाहिए कि ट्रेनिंग और आकलन के टास्क का एक जोड़ा सही तरीके से बनाया गया है या नहीं
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}
छठा चरण. एफ़सीपी के क्लाइंट साइड को तैयार करना
- ट्रेनिंग डेटा जनरेट करने के लिए, ODP का सार्वजनिक एपीआई
IsolatedWorker#onTrainingExamplesलागू करें. FederatedComputeScheduler#scheduleपर कॉल करें.- हमारे Android सोर्स रिपॉज़िटरी में कुछ उदाहरण देखें.
सातवां चरण. मॉनिटर करने के लिए
सर्वर मेट्रिक
हमारे GitHub रिपॉज़िटरी में, सेटअप करने के निर्देश देखें.
- मॉडल मेट्रिक
एक ही डायग्राम में, अलग-अलग रन की मेट्रिक की तुलना की जा सकती है. उदाहरण के लिए:
- बैंगनी लाइन में
noise_multiplier0.1 है - पिंक लाइन में
noise_multipiler0.3 है