FATE —— 二.2.1 Homo-NN自定义数据集

前言

FATE系统主要支持表格数据作为其标准数据格式。然而，通过使用NN模块的数据集特性，可以在神经网络中使用非表格数据，例如图像、文本、混合数据或关系数据。NN模块中的数据集模块允许定制数据集，以用于更复杂的数据场景。本教程将介绍Homo NN模块中数据集功能的使用，并提供如何自定义数据集的指导。我们将使用MNIST手写识别任务作为示例来说明这些概念。

准备MNIST数据

请从以下链接下载MNIST数据集，并将其放在项目示例/数据文件夹中：MNIST

这是MNIST数据集的简化版本，共有十个类别，根据标签分为0-9 10个文件夹。我们对数据集进行采样以减少样本数量。

MNIST数据集的来源是：http://yann.lecun.com/exdb/mnist/

数据集代码介绍

在FATE-1.10版本中，FATE为数据集引入了一个新的基类，称为Dataset，它基于PyTorch的Dataset类。此类允许用户根据其特定需求创建自定义数据集。其用法与PyTorch的Dataset类类似，在使用FATE-NN进行数据读取和训练时，需要实现两个额外的接口：load（）和get_sample_ids（）。

要在Homo NN中创建自定义数据集，用户需要：

• 开发继承自dataset类的新数据集类

• 实现__len__（）和__getitem__（）方法，它们与PyTorch的数据集用法一致。__len__（）方法应返回数据集的长度，而__getitem_（）方法则应返回指定索引处的相应数据

• 实现load（）和get_sample_ids（）方法

对于不熟悉PyTorch的数据集类的人，可以在PyTorch文档中找到更多信息：PyTorch数据集文档

load()

所需的第一个附加接口是load（）。此接口接收文件路径，并允许用户直接从本地文件系统读取数据。提交任务时，可以通过读取器组件指定数据路径。Homo NN将使用用户指定的Dataset类，利用load（）接口从指定路径读取数据，并完成数据集的加载以进行训练。有关更多信息，请参阅/federatedml/nn/dataset/base.py中的源代码。

get_sample_ids（）

第二个附加接口是get_sample_ids（）。此接口应返回一个样本ID列表，该列表可以是整数或字符串，并且长度应与数据集相同。实际上，当使用Homo NN时，您可以跳过实现这个接口，因为Homo NN组件将自动为样本生成ID。

示例：实现一个简单的图像数据集

为了更好地理解数据集的定制，我们在这里实现了一个简单的图像数据集来读取MNIST图像，然后在横向场景中完成联合图像分类任务。为了方便起见，我们使用save_to_rate的jupyter接口来更新代码以federatedml.nn.Dataset，名为MNIST_Dataset.py，当然，您可以手动将代码文件复制到目录中

jupyter: save_to_fate()

from pipeline.component.nn import save_to_fate

MNIST数据集

这里我们实现了数据集，并使用save_to_date（）保存它。

%%save_to_fate dataset mnist_dataset.py
import numpy as np
from federatedml.nn.dataset.base import Dataset
from torchvision.datasets import ImageFolder
from torchvision import transformsclass MNISTDataset(Dataset):def __init__(self, flatten_feature=False): # flatten feature or not super(MNISTDataset, self).__init__()self.image_folder = Noneself.ids = Noneself.flatten_feature = flatten_featuredef load(self, path):  # read data from path, and set sample ids# read using ImageFolderself.image_folder = ImageFolder(root=path, transform=transforms.Compose([transforms.ToTensor()]))# filename as the image idids = []for image_name in self.image_folder.imgs:ids.append(image_name[0].split('/')[-1].replace('.jpg', ''))self.ids = idsreturn selfdef get_sample_ids(self):  # implement the get sample id interface, simply return idsreturn self.idsdef __len__(self,):  # return the length of the datasetreturn len(self.image_folder)def __getitem__(self, idx): # get itemret = self.image_folder[idx]if self.flatten_feature:img = ret[0][0].flatten() # return flatten tensor 784-dimreturn img, ret[1] # return tensor and labelelse:return ret

在我们实现数据集之后，我们可以在本地测试它：

from federatedml.nn.dataset.mnist_dataset import MNISTDatasetds = MNISTDataset(flatten_feature=True)

# load MNIST data and check 
ds.load('/mnt/hgfs/YOLOV5/mnist/')  # 切换成自己下载上文中minist文件夹的地址
print(len(ds))
print(ds[0])
print(ds.get_sample_ids()[0])

测试数据集

在提交任务之前，可以在本地进行测试。正如我们在2.1 Homo NN 二进制分类任务中提到的，在Homo NN中，FATE默认使用fedavg_trainer。自定义数据集、模型和训练器可用于本地调试，以测试程序是否正确运行。请注意，在本地测试期间，将跳过所有联合过程，并且模型不会执行联合平均。

from federatedml.nn.homo.trainer.fedavg_trainer import FedAVGTrainer
trainer = FedAVGTrainer(epochs=3, batch_size=256, shuffle=True, data_loader_worker=8, pin_memory=False) # set parameter

trainer.local_mode() # !! Be sure to enable local_mode to skip the federation process !!

import torch as t
from pipeline import fate_torch_hook
fate_torch_hook(t)
# our simple classification model:
model = t.nn.Sequential(t.nn.Linear(784, 32),t.nn.ReLU(),t.nn.Linear(32, 10),t.nn.Softmax(dim=1)
)trainer.set_model(model) # set model

optimizer = t.optim.Adam(model.parameters(), lr=0.01)  # optimizer
loss = t.nn.CrossEntropyLoss()  # loss function
trainer.train(train_set=ds, optimizer=optimizer, loss=loss)  # use dataset we just developed

在Trainer的train（）函数中，将使用Pytorch DataLoader迭代数据集。程序可以正确运行！现在我们可以提交联合任务了。

使用数据集提交任务

导入组件

import torch as t
from torch import nn
from pipeline import fate_torch_hook
from pipeline.component import HomoNN
from pipeline.backend.pipeline import PipeLine
from pipeline.component import Reader, Evaluation, DataTransform
from pipeline.interface import Data, Modelt = fate_torch_hook(t)

将数据路径绑定到名称和命名空间

这里，我们使用pipeline将路径绑定到名称和命名空间。然后，我们可以使用读取器组件将此路径传递到数据集的“加载”接口。培训师将在train（）中获取此数据集，并使用Pytorch Dataloader对其进行迭代。请注意，在本教程中，我们使用的是独立版本，如果您使用的是集群版本，则需要将数据与每台计算机上的相应名称和命名空间绑定。

import os
# bind data path to name & namespace
fate_project_path = os.path.abspath('../')
host = 10000
guest = 9999
arbiter = 10000
pipeline = PipeLine().set_initiator(role='guest', party_id=guest).set_roles(guest=guest, host=host,arbiter=arbiter)data_0 = {"name": "mnist_guest", "namespace": "experiment"}
data_1 = {"name": "mnist_host", "namespace": "experiment"}# 这里需要根据自己得版本作出调整，否则文件参数上传失败会报错
data_path_0 = fate_project_path + '/examples/data/mnist_train'
data_path_1 = fate_project_path + '/examples/data/mnist_train'
pipeline.bind_table(name=data_0['name'], namespace=data_0['namespace'], path=data_path_0)
pipeline.bind_table(name=data_1['name'], namespace=data_1['namespace'], path=data_path_1)

{'namespace': 'experiment', 'table_name': 'mnist_host'}

reader_0 = Reader(name="reader_0")
reader_0.get_party_instance(role='guest', party_id=guest).component_param(table=data_0)
reader_0.get_party_instance(role='host', party_id=host).component_param(table=data_1)

数据集参数

使用dataset_name指定数据集的模块名称，并在后面填写其参数，这些参数将传递给数据集的__init__接口。请注意，数据集参数需要是JSON可序列化的，否则pipeline无法解析它们。

from pipeline.component.nn import DatasetParamdataset_param = DatasetParam(dataset_name='mnist_dataset', flatten_feature=True)  # specify dataset, and its init parameters

from pipeline.component.homo_nn import TrainerParam  # Interface# our simple classification model:
model = t.nn.Sequential(t.nn.Linear(784, 32),t.nn.ReLU(),t.nn.Linear(32, 10),t.nn.Softmax(dim=1)
)nn_component = HomoNN(name='nn_0',model=model, # modelloss=t.nn.CrossEntropyLoss(),  # lossoptimizer=t.optim.Adam(model.parameters(), lr=0.01), # optimizerdataset=dataset_param,  # datasettrainer=TrainerParam(trainer_name='fedavg_trainer', epochs=2, batch_size=1024, validation_freqs=1),torch_seed=100 # random seed)

pipeline.add_component(reader_0)
pipeline.add_component(nn_component, data=Data(train_data=reader_0.output.data))
pipeline.add_component(Evaluation(name='eval_0', eval_type='multi'), data=Data(data=nn_component.output.data))

pipeline.compile()
pipeline.fit()

pipeline.get_component('nn_0').get_output_data()

pipeline.get_component('nn_0').get_summary()

{'best_epoch': 1,

'loss_history': [3.58235876026547, 3.4448592824914055],

'metrics_summary': {'train': {'accuracy': [0.25668449197860965,

0.4950343773873186],

'precision': [0.3708616690797323, 0.5928620913124757],

'recall': [0.21817632850241547, 0.4855654369784805]}},

'need_stop': False}