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 lip 2023
Definicje nadparametrów stosowanych w szkoleniu eksperymentu. W zależności od środowiska i metody fuzji można użyć jednej lub większej liczby opcji hiperparametrów.
| Hiperparametry | Opis |
|---|---|
| Zaokrąglenie | Wartość typu int. Liczba iteracji treningowych do zakończenia między agregatorem a systemami zdalnymi. |
| Dokładność zakończenia (opcjonalnie) | Wartość zmiennopozycyjna. Przyjmuje wartość model_accuracy i porównuje ją z wartością liczbową. Jeśli warunek jest spełniony, eksperyment kończy się wcześnie. Na przykład termination_predicate: accuracy >= 0.8 kończy eksperyment, gdy średnia dokładność modelu dla uczestniczących podmiotów jest większa lub równa 80%. Obecnie program Federated Learning akceptuje jeden typ warunku wcześniejszego zakończenia (dokładność modelu) tylko dla modeli klasyfikacji. |
| Kworum (opcjonalne) | Wartość zmiennopozycyjna. Przechodzi z modelowym szkoleniem po osiągnięciu przez agregator określonego współczynnika odpowiedzi podmiotu. Przyjmuje wartość dziesiętną z zakresu od 0 do 1. Wartością domyślną jest 1. Szkolenie modelowe rozpoczyna się dopiero po osiągnięciu przez partyjną odpowiedzi na wskazany współczynnik. Na przykład ustawienie tej wartości na 0.5 powoduje rozpoczęcie szkolenia po odpowiedzi 50% zarejestrowanych podmiotów na wywołanie agregatora. |
| Maksymalny limit czasu (opcjonalnie) | Wartość typu int. Przerywa eksperyment dotyczący uczenia stowarzyszonego, jeśli czas oczekiwania na odpowiedzi dla podmiotu przekracza tę wartość w sekundach. Przyjmuje wartość liczbową do 43200. Jeśli ta wartość w sekundach nie zostanie osiągnięta, a współczynnik quorum nie zostanie osiągnięty, eksperyment zostanie zakończony. Na przykład program max_timeout = 1000 przerywa eksperyment po 1000 sekund, jeśli strony nie odpowieą w tym czasie. |
| Dokładność szkicu a prywatność (opcjonalnie) | Wartość zmiennopozycyjna. Używany z treningiem XGBoost do sterowania relatywną dokładnością rysowanych danych przesyłanych do agregatora. Przyjmuje wartość dziesiętną z zakresu od 0 do 1. Wyższe wartości będą skutkować wyższymi modelami jakości, ale z ograniczeniem prywatności danych i wzrostem zużycia zasobów. |
| Liczba klas | Wartość typu int. Liczba klas docelowych dla modelu klasyfikacji. Wymagany, jeśli parametr hyperparameter "Loss" ma wartość: - auto - binary_crossentropy- categorical_crossentropy |
| Współczynnik uczenia | Wartość dziesiętna. Współczynnik uczenia się, zwany również kurczliwie. Jest on używany jako czynnik multiplikatywny dla wartości liści. |
| Strata | Wartość łańcuchowa. Funkcja straty, która ma być użyta w procesie wspomagania. - binary_crossentropy (znana również jako strata logistyczna) jest używana do klasyfikacji binarnej.- categorical_crossentropy jest używana dla klasyfikacji wieloklasowej. - auto wybiera albo funkcję utraty, w zależności od rodzaju problemu. - least_squares jest używany do regresji. |
| Maksymalna liczba Iter | Wartość typu int. Łączna liczba przejść przez lokalny zestaw danych uczących do uczenia modelu Scikit-learn. |
| N, klaster | Wartość typu int. Liczba skupień do utworzenia i liczba centroidów do wygenerowania. |
| Epoka (opcjonalnie) | Wartość typu int. Liczba lokalnych iteracji treningowych, które mają być wstępnie utworzone przez każdą ze zdalnych stron dla każdej rundy. Na przykład, jeśli ustawiono wartość Rounds na 2 i Epochs na 5, wszystkie zdalne podmioty będą trenować lokalnie 5 razy, zanim model zostanie wysłany do agregatora. W runku 2 model agregatora jest trenowany lokalnie ponownie przez wszystkie strony 5 razy i ponownie wysyłany do agregatora. |
| sigma | Wartość zmiennopozycyjna. Określa, w jakim stopniu lokalne neurony modelu są dozwolone z modelu globalnego. Większa wartość pozwala na większą zgodność i generuje mniejszy model globalny. Wartością domyślną jest 1. |
| sigma0 | Wartość zmiennopozycyjna. Definiuje dopuszczalne odchylenie globalnych neuronów sieciowych. Wartością domyślną jest 1. |
| Gamma | Wartość zmiennopozycyjna. Indyjski parametr procesu w formie bufetu, który kontroluje oczekiwaną liczbę funkcji w każdej obserwacji. Wartością domyślną jest 1. |
Temat nadrzędny: Ramy, metody syntezy i wersje Python