Zurück zur englischen Version der Dokumentation
Frameworks, Fusionsmethoden und Python -Versionen
Frameworks, Fusionsmethoden und Python -Versionen
Letzte Aktualisierung: 21. Nov. 2024
Dies sind die verfügbaren Modellframeworks für maschinelles Lernen und Modellfusionsmethoden für das Modell für föderiertes Lernen. Die Softwarespezifikation und Frameworks sind auch mit bestimmten Python Versionen kompatibel.
Frameworks und Fusionsmethoden
In dieser Tabelle sind die unterstützten Software-Frameworks für die Erstellung von Federated Learning-Modellen aufgelistet. Für jedes Framework werden die unterstützten Modelltypen, Fusionsmethoden und Hyperparameteroptionen angezeigt.
| Bereitstellungsframeworks | Modelltyp | Fusionsmethode | Beschreibung | Hyperparameter |
|---|---|---|---|---|
| TensorFlow Wird zum Erstellen neuronaler Netze verwendet Siehe Modell Tensorflow speichern. |
Beliebig | Einfacher Durchschnitt | Als Baseline verwendete einfachste Aggregation, bei der die Modellaktualisierungen aller Parteien gleich gewichtet werden. | -Runden -Beendigungsprädikat (Optional) -Quorum (Optional) -Max. Zeitlimit (Optional) |
| Gewichteter Durchschnitt | Gewichtet den Durchschnitt von Aktualisierungen auf der Basis der Anzahl der Beispiele jeder Partei. Verwenden Sie diesen Typ bei Trainingsdatasets, die sich hinsichtlich der Größe stark unterscheiden. | -Runden -Beendigungsprädikat (Optional) -Quorum (Optional) -Max. Zeitlimit (Optional) |
||
| Scikit-learn Wird für die Vorhersagedatenanalyse verwendet Siehe Scikit-learn-Modell speichern. |
Klassifikation | Einfacher Durchschnitt | Als Baseline verwendete einfachste Aggregation, bei der die Modellaktualisierungen aller Parteien gleich gewichtet werden. | -Runden -Beendigungsvergleichselement (optional) |
| Gewichteter Durchschnitt | Gewichtet den Durchschnitt von Aktualisierungen auf der Basis der Anzahl der Beispiele jeder Partei. Verwenden Sie diesen Typ bei Trainingsdatasets, die sich hinsichtlich der Größe stark unterscheiden. | -Runden -Beendigungsvergleichselement (optional) |
||
| Regression | Einfacher Durchschnitt | Als Baseline verwendete einfachste Aggregation, bei der die Modellaktualisierungen aller Parteien gleich gewichtet werden. |
|
|
| Gewichteter Durchschnitt | Gewichtet den Durchschnitt von Aktualisierungen auf der Basis der Anzahl der Beispiele jeder Partei. Verwenden Sie diesen Typ bei Trainingsdatasets, die sich hinsichtlich der Größe stark unterscheiden. |
|
||
| XGBoost | XGBoost-Klassifikation | Wird zum Erstellen von Klassifikationsmodellen verwendet, die XGBoost verwenden. | - Lernrate - Verlust - Durchgänge - Anzahl der Klassen |
|
| XGBoost Regression | Wird zum Erstellen von Regressionsmodellen verwendet, die XGBoost verwenden. | -Lernrate - Durchgänge - Verlust |
||
| K-Means/SPAHM | Zum Trainieren von K-Means-Modellen (nicht überwachtes Lernen), wenn Parteien über heterogene Datasets verfügen. | -Max Iter -N Cluster |
||
| Pytorch Wird zum Trainieren von neuronalen Netzmodellen verwendet. Siehe Pytorch-Modell speichern. |
Beliebig | Einfacher Durchschnitt | Als Baseline verwendete einfachste Aggregation, bei der die Modellaktualisierungen aller Parteien gleich gewichtet werden. | - Durchgänge - Epochen -Quorum (Optional) - Max. Zeitlimit (Optional) |
| Neuronale Netze | Probabilistic Federated Neural Matching (PFNM) | Kommunikationseffiziente Methode für vollständig verbundene neuronale Netze, wenn Parteien heterogene Datasets haben. | - Durchgänge - Abschlussgenauigkeit (Optional) - Epochen - Sigma - Sigma0 - Gamma - Iter. |
Softwarespezifikationen und Python -Version nach Framework
In dieser Tabelle werden die für jedes Framework verfügbaren Softwarespezifikationen und Python -Versionen aufgelistet.
| watsonx.ai | Python-Version | Softwarespezifikation | Python Client - Extras | Frameworkpaket |
|---|---|---|---|---|
| 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 | Taschenlampe 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 | Taschenlampe 2.0.1 |
Weitere Informationen
Übergeordnetes Thema: IBM Federated Learning
War das Thema hilfreich?
0/1000