一、說明
本文分享基於 Fate 使用 橫向聯邦 神經網路演算法 對 多分類 的資料進行 模型訓練，並使用該模型對資料進行 多分類預測。
- 二分類演算法：是指待預測的 label 標籤的取值只有兩種；直白來講就是每個例項的可能類別只有兩種(0 或者 1)，例如性別只有 男 或者 女；此時的分類演算法其實是在構建一個分類線將資料劃分為兩個類別。
- 多分類演算法：是指待預測的 label 標籤的取值可能有多種情況，例如個人愛好可能有 籃球、足球、電影 等等多種型別。常見演算法：Softmax、SVM、KNN、決策樹。
關於 Fate 的核心概念、單機部署、訓練以及預測請參考以下相關文章：
二、準備訓練資料
上傳到 Fate 裡的資料有兩個欄位名必需是規定的，分別是主鍵為 id 欄位和分類欄位為 y 欄位，y 欄位就是所謂的待預測的 label 標籤；其他的特徵欄位(屬性)可任意填寫，例如下面例子中的 x0 - x9
例如有一條使用者資料為：
收入: 10000，負債: 5000，是否有還款能力: 1 ；資料中的收入和負債就是特徵欄位，而是否有還款能力就是分類欄位。
本文只描述關鍵部分，關於詳細的模型訓練步驟，請檢視文章《隱私計算FATE-模型訓練》
2.1. guest端
10條資料，包含1個分類欄位 y 和 10 個標籤欄位 x0 - x9
y 值有 0、1、2、3 四個分類
上傳到 Fate 中，表名為 muti_breast_homo_guest 名稱空間為 experiment
2.2. host端
10條資料，欄位與 guest 端一樣，但是內容不一樣
上傳到 Fate 中，表名為 muti_breast_homo_host 名稱空間為 experiment
三、執行訓練任務
3.1. 準備dsl檔案
建立檔案 homo_nn_dsl.json 內容如下 ：
{
"components": {
"reader_0": {
"module": "Reader",
"output": {
"data": [
"data"
]
}
},
"data_transform_0": {
"module": "DataTransform",
"input": {
"data": {
"data": [
"reader_0.data"
]
}
},
"output": {
"data": [
"data"
],
"model": [
"model"
]
}
},
"homo_nn_0": {
"module": "HomoNN",
"input": {
"data": {
"train_data": [
"data_transform_0.data"
]
}
},
"output": {
"data": [
"data"
],
"model": [
"model"
]
}
}
}
}
3.2. 準備conf檔案
建立檔案 homo_nn_multi_label_conf.json 內容如下 ：
{
"dsl_version": 2,
"initiator": {
"role": "guest",
"party_id": 9999
},
"role": {
"arbiter": [
10000
],
"host": [
10000
],
"guest": [
9999
]
},
"component_parameters": {
"common": {
"data_transform_0": {
"with_label": true
},
"homo_nn_0": {
"encode_label": true,
"max_iter": 15,
"batch_size": -1,
"early_stop": {
"early_stop": "diff",
"eps": 0.0001
},
"optimizer": {
"learning_rate": 0.05,
"decay": 0.0,
"beta_1": 0.9,
"beta_2": 0.999,
"epsilon": 1e-07,
"amsgrad": false,
"optimizer": "Adam"
},
"loss": "categorical_crossentropy",
"metrics": [
"accuracy"
],
"nn_define": {
"class_name": "Sequential",
"config": {
"name": "sequential",
"layers": [
{
"class_name": "Dense",
"config": {
"name": "dense",
"trainable": true,
"batch_input_shape": [
null,
18
],
"dtype": "float32",
"units": 5,
"activation": "relu",
"use_bias": true,
"kernel_initializer": {
"class_name": "GlorotUniform",
"config": {
"seed": null,
"dtype": "float32"
}
},
"bias_initializer": {
"class_name": "Zeros",
"config": {
"dtype": "float32"
}
},
"kernel_regularizer": null,
"bias_regularizer": null,
"activity_regularizer": null,
"kernel_constraint": null,
"bias_constraint": null
}
},
{
"class_name": "Dense",
"config": {
"name": "dense_1",
"trainable": true,
"dtype": "float32",
"units": 4,
"activation": "sigmoid",
"use_bias": true,
"kernel_initializer": {
"class_name": "GlorotUniform",
"config": {
"seed": null,
"dtype": "float32"
}
},
"bias_initializer": {
"class_name": "Zeros",
"config": {
"dtype": "float32"
}
},
"kernel_regularizer": null,
"bias_regularizer": null,
"activity_regularizer": null,
"kernel_constraint": null,
"bias_constraint": null
}
}
]
},
"keras_version": "2.2.4-tf",
"backend": "tensorflow"
},
"config_type": "keras"
}
},
"role": {
"host": {
"0": {
"reader_0": {
"table": {
"name": "muti_breast_homo_host",
"namespace": "experiment"
}
}
}
},
"guest": {
"0": {
"reader_0": {
"table": {
"name": "muti_breast_homo_guest",
"namespace": "experiment"
}
}
}
}
}
}
}
注意
reader_0元件的表名和名稱空間需與上傳資料時配置的一致。
3.3. 提交任務
執行以下命令：
flow job submit -d homo_nn_dsl.json -c homo_nn_multi_label_conf.json
執行成功後，檢視 dashboard 顯示：
四、準備預測資料
與前面訓練的資料欄位一樣，但是內容不一樣，y 值全為 0
4.1. guest端
上傳到 Fate 中，表名為 predict_muti_breast_homo_guest 名稱空間為 experiment
4.2. host端
上傳到 Fate 中，表名為 predict_muti_breast_homo_host 名稱空間為 experiment
五、準備預測配置
本文只描述關鍵部分，關於詳細的預測步驟，請檢視文章《隱私計算FATE-離線預測》
建立檔案 homo_nn_multi_label_predict.json 內容如下 ：
{
"dsl_version": 2,
"initiator": {
"role": "guest",
"party_id": 9999
},
"role": {
"arbiter": [
10000
],
"host": [
10000
],
"guest": [
9999
]
},
"job_parameters": {
"common": {
"model_id": "arbiter-10000#guest-9999#host-10000#model",
"model_version": "202207061504081543620",
"job_type": "predict"
}
},
"component_parameters": {
"role": {
"guest": {
"0": {
"reader_0": {
"table": {
"name": "predict_muti_breast_homo_guest",
"namespace": "experiment"
}
}
}
},
"host": {
"0": {
"reader_0": {
"table": {
"name": "predict_muti_breast_homo_host",
"namespace": "experiment"
}
}
}
}
}
}
}
注意以下兩點：
model_id和model_version需修改為模型部署後的版本號。
reader_0元件的表名和名稱空間需與上傳資料時配置的一致。
六、執行預測任務
執行以下命令：
flow job submit -c homo_nn_multi_label_predict.json
執行成功後，檢視 homo_nn_0 元件的資料輸出：
可以看到演算法輸出的預測結果。
掃碼關注有驚喜！
