联邦学习FedAvg中模型聚合过程的理解分析
作者：Cyril_KI
这篇文章主要为大家介绍了FedAvg中模型聚合过程的理解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
问题
联邦学习原始论文中给出的FedAvg的算法框架为：
参数介绍： K 表示客户端的个数， B表示每一次本地更新时的数据量， E 表示本地更新的次数， η表示学习率。
首先是服务器执行以下步骤：
对每一个本地客户端来说，要做的就是更新本地参数，具体来讲：
- 把自己的数据集按照参数B分成若干个块，每一块大小都为B。
- 对每一块数据，需要进行E轮更新：算出该块数据损失的梯度，然后进行梯度下降更新，得到新的本地 w 。
- 更新完后 w w w将被传送到中央服务器，服务器整合所有客户端计算出的 w，得到最新的全局模型参数 wt+1
- 客户端收到服务器发送的最新全局参数模型参数，进行下一次更新。
我们仔细观察server的最后一步：
聚合
那么针对聚合，就有以下两种情况。
1. 聚合所有客户端
服务器端每次将新的全局模型发送给全部客户端，并且聚合全部客户端的模型参数。如果客户端未被选中，那么一轮通信结束后，该客户端的模型为一轮通信开始时从服务器获得的初始模型。
设当前全局模型为 wt，服务器选中了 m个客户端（集合V），m个客户端本地更新完毕后，服务器端的聚合公式为：
也就是说，每一次聚合时服务器端都将所有客户端的模型考虑在内。
2. 仅聚合被选中的客户端
服务器每次只是将当前新的参数传递给被选中的模型，并且只是聚合被选中客户端的模型参数。
设当前全局模型为 wt，服务器选中了 m 个客户端（集合V），然后将wt只发送给这 m个客户端。 m m m个客户端训练完毕后，服务器端的聚合公式为：
3. 选择
虽然原始论文中对所有K个客户端都进行了聚合，但在真正实现时，感觉用第二种会更好一点，因为如果客户端数量很庞大，每一次通信都会有不小的代价，用第二种会明显降低通信成本。
以上就是FedAvg中模型聚合过程的理解分析的详细内容，更多关于FedAvg模型聚合的资料请关注脚本之家其它相关文章！