Torna alla versione inglese della documentazioneQuadri, metodi di fusione e versioni Python
Quadri, metodi di fusione e versioni Python
Ultimo aggiornamento: 21 nov 2024
Questi sono i quadri modello di machine learning disponibili e i metodi di fusione modello per il modello Federated Learning. La spec e i quadri software sono compatibili anche con specifiche versioni Python .
Quadri e metodi di fusione
In questa tabella sono riportati i quadri software supportati per la costruzione di modelli di Learning Federation. Per ogni framework è possibile visualizzare i tipi di modello supportati, i metodi di fusione e le opzioni di hyperparametro.
| Framework | Tipo di modello | Metodo di fusione | Descrizione | Iperparametri |
|---|---|---|---|---|
| TensorFlow Utilizzato per creare reti neurali. Consultare Salvataggio del modello Tensorflow. |
Qualsiasi | Avg semplice | Aggregazione più semplice che viene utilizzata come baseline dove gli aggiornamenti del modello di tutte le parti sono ugualmente ponderati. | - Round - predicato di terminazione (Facoltativo) - Quorum (Facoltativo) - Timeout massimo (Facoltativo) |
| Avg ponderato | Ponderare la media degli aggiornamenti in base al numero di ciascun campione di parte. Utilizzare con set di dati di formazione di dimensioni ampiamente diverse. | - Round - predicato di terminazione (Facoltativo) - Quorum (Facoltativo) - Timeout massimo (Facoltativo) |
||
| Scikit - imparare Utilizzato per l'analisi dei dati predittivi. Vedi Salva il modello Scikit - imparare. |
Classificazione | Avg semplice | Aggregazione più semplice che viene utilizzata come baseline dove gli aggiornamenti del modello di tutte le parti sono ugualmente ponderati. | - - predicato di terminazione (facoltativo) |
| Avg ponderato | Ponderare la media degli aggiornamenti in base al numero di ciascun campione di parte. Utilizzare con set di dati di formazione di dimensioni ampiamente diverse. | - - predicato di terminazione (facoltativo) |
||
| Regressione | Avg semplice | Aggregazione più semplice che viene utilizzata come baseline dove gli aggiornamenti del modello di tutte le parti sono ugualmente ponderati. |
|
|
| Avg ponderato | Ponderare la media degli aggiornamenti in base al numero di ciascun campione di parte. Utilizzare con set di dati di formazione di dimensioni ampiamente diverse. |
|
||
| XGBoost | Classificazione XGBoost | Utilizzare per costruire modelli di classificazione che utilizzano XGBoost. | - Tasso di apprendimento - Perdita - Rounds - Numero di classi |
|
| Regressione XGBoost | Utilizzare per costruire modelli di regressione che utilizzano XGBoost. | - Tasso di apprendimento - Rounds - Perdita |
||
| K-Means/SPAHM | Utilizzato per formare i modelli KMeans (apprendimento non supervisore) quando le parti hanno serie di dati eterogenei. | - Max Iter - N cluster |
||
| Pytorch Utilizzato per i modelli di rete neurali formativi. Vedi Salva il modello Pytorch. |
Qualsiasi | Avg semplice | Aggregazione più semplice che viene utilizzata come baseline dove gli aggiornamenti del modello di tutte le parti sono ugualmente ponderati. | - Round - Epoche - Quorum (facoltativo) - Timeout max (facoltativo) |
| Reti neurali | Probabilistic Federated Neurated Matching (PFNM) | Metodo di comunicazione - efficiente per le reti neurali completamente connesse quando le parti hanno serie di dati eterogenei. | - Round - Precisione di terminazione (facoltativo) - Epochs - sigma - sigma0 - gamma - it |
Specifiche del software e Python versione per framework
In questa tabella sono riportate le versioni software spec e Python disponibili per ogni framework.
| watsonx.ai Studio frameworks | Versione Python | Spec software | Python Client Extras | Pacchetto quadro |
|---|---|---|---|---|
| scikit-learn | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | scikit - learn 1.1.1 |
| Tensorflow | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | tensorflow 2.12.0 |
| PyTorch | 3.11 | runtime-24.1-py3.11 | fl-rt23.1-py3.11 | torcia 2.0.1 |
| scikit-learn | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | scikit - learn 1.1.1 |
| Tensorflow | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | tensorflow 2.12.0 |
| PyTorch | 3.10 | runtime-23.1-py3.10 | fl-rt23.1-py3.10 | torcia 2.0.1 |
Ulteriori informazioni
Argomento principale: IBM Learning federato