Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 06 Tem 2023
Bunlar, Birleşik Öğrenim modeli için kullanılabilir makine öğrenme modeli çerçeveleri ve model füzyon yöntemleridir. Yazılım belirtimi ve çerçeve çalışmaları da belirli Python sürümleriyle uyumludur.
Çerçeveler ve füzyon yöntemleri
Bu tablo, Birleşik Öğrenim modelleri oluşturmak için desteklenen yazılım çerçevelerini listeler. Her çerçeve için desteklenen model tiplerini, birleştirme yöntemlerini ve hyperparameter seçeneklerini görebilirsiniz.
| Çerçeveler | Model tipi | Birleştirme Yöntemi | Açıklama | Hiperparametreler |
|---|---|---|---|---|
| TensorFlow Sinirsel ağlar oluşturmak için kullanılır. Bkz. Tensorflow modelini kaydet. |
Herhangi Biri | Basit Avg | Tüm tarafların model güncellemelerinin eşit ağırlıklı olduğu bir temel çizgisi olarak kullanılan en basit toplama. | -Ratings -Sonlandırma karşılaştırma belirtimi (İsteğe bağlı) -Quorum (İsteğe bağlı) -Maks Timeout (İsteğe bağlı) |
| Ağırlıklı Avg | Her bir taraf örneğinin sayısına göre güncelleştirmelerin ortalamasını ağırlar. Yaygın olarak farklı boyutlara sahip eğitim veri kümeleriyle birlikte kullanın. | -Ratings -Sonlandırma karşılaştırma belirtimi (İsteğe bağlı) -Quorum (İsteğe bağlı) -Maks Timeout (İsteğe bağlı) |
||
| Scikit-öğren Tahmine dayalı veri analizi için kullanılır. Bkz. Scikit-öğren modelini kaydet. |
Sınıflandırma | Basit Avg | Tüm tarafların model güncellemelerinin eşit ağırlıklı olduğu bir temel çizgisi olarak kullanılan en basit toplama. | -Ratings -Sonlandırma karşılaştırma belirtimi (İsteğe bağlı) |
| Ağırlıklı Avg | Her bir taraf örneğinin sayısına göre güncelleştirmelerin ortalamasını ağırlar. Yaygın olarak farklı boyutlara sahip eğitim veri kümeleriyle birlikte kullanın. | -Ratings -Sonlandırma karşılaştırma belirtimi (İsteğe bağlı) |
||
| Regresyon | Basit Avg | Tüm tarafların model güncellemelerinin eşit ağırlıklı olduğu bir temel çizgisi olarak kullanılan en basit toplama. |
|
|
| Ağırlıklı Avg | Her bir taraf örneğinin sayısına göre güncelleştirmelerin ortalamasını ağırlar. Yaygın olarak farklı boyutlara sahip eğitim veri kümeleriyle birlikte kullanın. |
|
||
| XGBoost | XGBoost Sınıflandırması | XGBoost kullanan sınıflandırma modellerini oluşturmak için kullanılır. | -Öğrenim hızı -Kayıp -Rounds -Sınıfların sayısı |
|
| XGBoost Regresyonu | XGBoost kullanan regresyon modellerini oluşturmak için kullanın. | -Öğrenim hızı -Rounds -Kayıp |
||
| K-Means/SPAHM | Partilerde türdeş olmayan veri kümeleri olduğunda KMEs (denetimsiz öğrenme) modellerini eğitmek için kullanılır. | -Max Iter -N kümesi |
||
| Pymech Sinirsel ağ modelleri eğitimi için kullanılır. Bkz. Pytorch modelini kaydet. |
Herhangi Biri | Basit Avg | Tüm tarafların model güncellemelerinin eşit ağırlıklı olduğu bir temel çizgisi olarak kullanılan en basit toplama. | -Ratings -Epochs -Quorum (Isteğe Bağlı) -Max Timeout (Isteğe Bağlı) |
| Sinir Ağları | Olasılıklı Birleşik Sinir Eşleştirme (PFNM) | Taraflar türdeş olmayan veri kümeleri olduğunda, tam bağlantılı sinirsel ağlar için iletişim açısından verimli bir yöntem. | -Ratings -Sonlandırma doğruluğu (İsteğe bağlı) -Epochs -sigma - sigma0 -gamma -kişiler |
Çerçeveye göre yazılım belirtimleri ve Python sürümü
Bu çizelge, her bir çerçeve için kullanılabilir olan yazılım belirtiminin ve Python sürümlerinin listelenmesini içerir.
| Watson Studio çerçeveleri | Python sürümü | Yazılım Belirtimi | Python İstemci Ekstraları | Çerçeve paketi |
|---|---|---|---|---|
| scikit-öğren | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | scikit-öğren 1.1.1 |
| Tensorflow | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | tensorflow 2.9.2 |
| PyTorch | 3.10 | runtime-22.2-py3.10 | fl-rt22.2-py3.10 | torch 1.12.1 |
Daha fazla bilgi
Üst konu: IBM Birleşik Öğrenim