如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费学习大礼包,带大家一起学习,给大家剖析Python兼职、就业行情前景的这些事儿。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
最后祝你好运!!!
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
// guest
{
“file”: “data/breast_eval.csv”,
“head”: 1,
“partition”: 16,
“work_mode”: 0,
“table_name”: “homo_breast_2_eval”,
“namespace”: “homo_guest_breast_eval”
}
借助FATE,我们可以使用组件的方式来构建联邦学习,而不需要用户从新开始编码,FATE构建联邦学习Pipeline是通过自定义dsl和conf两个配置文件来实现:
dsl文件:用来描述任务模块,将任务模块以有向无环图(DAG)的形式组合在一起。
conf文件:设置各个组件的参数,比如输入模块的数据表名;算法模块的学习率、batch大小、迭代次数等。
我们本实验使用的是模型:逻辑回归
进入examples/dsl/v1/homo_logistic_regression文件夹中:
使用test_homolr_train_job_dsl.json、test_homolr_train_job_conf.json两个文件来辅助构建横向联邦学习模型
3.2.1 DSL配置文件
为了让任务模型的构建更加灵活,目前 FATE 使用了一套自定的领域特定语言 (DSL) 来描述任务。在 DSL 中,各种任务模块(例如数据读写 data_io,特征工程 feature-engineering, 回归 regression,分类 classification)可以通向一个有向无环图 (DAG) 组织起来。通过各种方式,用户可以根据自身的需要,灵活地组合各种算法模块。
DSL 的配置文件采用 json 格式,实际上,整个配置文件就是一个 json 对象 (dict)。在这个 dict 的第一级是 “components”,用来表示这个任务将会使用到的各个模块。用户需要使用模块名加数字 _num 作为对应模块的 key,例如 dataio_0,并且数字应从 0 开始计数。
具体的参数见官方文档连接(上面)
test_homolr_train_job_dsl.json:
定义了四个模块已经构成了基本的联邦学习流水线(feature_scale_0为1.6.0新增),可直接使用(复制一份)
{
“components” : {
// 数据IO组件,用于将本地数据转为DTable
“dataio_0”: {
“module”: “DataIO”,
“input”: {
“data”: {
“data”: [
“args.train_data”
]
}
},
“output”: {
“data”: [“train”],
“model”: [“dataio”]
}
},
// 特征工程模块
“feature_scale_0”: {
“module”: “FeatureScale”,
“input”: {
“data”: {
“data”: [
“dataio_0.train”
]
}
},
“output”: {
“data”: [“train”],
“model”: [“feature_scale”]
}
},
// 横向逻辑回归组件
“homo_lr_0”: {
“module”: “HomoLR”,
“input”: {
“data”: {
“train_data”: [
“feature_scale_0.train”
]
}
},
“output”: {
“data”: [“train”],
“model”: [“homolr”]
}
},
// 模型评估组件,如果未提供测试数据集则自动使用训练集
“evaluation_0”: {
“module”: “Evaluation”,
“input”: {
“data”: {
“data”: [
“homo_lr_0.train”
]
}
}
}
}
}
这里的args.train_data
是根据下面的运行配置conf
来的
其次配置文件之间的指定关系如下:
3.2.2 运行配置 Submit Runtime Conf
每个模块都有不同的参数需要配置,不同的 party 对于同一个模块的参数也可能有所区别。为了简化这种情况,对于每一个模块,FATE 会将所有 party 的不同参数保存到同一个运行配置文件(Submit Runtime Conf)中,并且所有的 party 都将共用这个配置文件。
除了 DSL 的配置文件之外,用户还需要准备一份运行配置(Submit Runtime Conf)用于设置各个组件的参数。
test_homolr_train_job_conf.json 修改如下:
{
// 创始人
“initiator”: {
“role”: “guest”,
“party_id”: 10000
},
“job_parameters”: {
“work_mode”: 0 // 0代表单机版,1代表集群版
},
// 所有参与此任务的角色
// 每一个元素代表一种角色以及承担这个角色的party_id,是一个列表表示同一角色可能有多个实体ID
“role”: {
“guest”: [
10000
],
“host”: [
10000
],
// 仲裁者
“arbiter”: [
10000
]
},
// 对于权限角色的进一步参数配置
“role_parameters”: {
“guest”: {
“args”: {
“data”: {
“train_data”: [
{
“name”: “homo_breast_2_train”, // 修改DTable的表名
“namespace”: “homo_guest_breast_train” // 修改命名空间
}
]
}
},
“dataio_0”: {
“label_name”: [“y”] // 添加标签对应的列属性名称
}
},
“host”: {
“args”: {
“data”: {
“train_data”: [
{
“name”: “homo_breast_1_train”, // 同理修改
“namespace”: “homo_host_breast_train”
}
]
}
},
“dataio_0”: {
“label_name”: [“y”] // 添加标签对应的列属性名称
},
“evaluation_0”: {
“need_run”: [
false
]
}
}
},
// 设置模型训练的超参数信息
“algorithm_parameters”: {
“dataio_0”: {
“with_label”: true,
“label_name”: “y”,
“label_type”: “int”,
“output_format”: “dense”
},
“homo_lr_0”: {
“penalty”: “L2”,
“optimizer”: “sgd”,
“tol”: 1e-05,
“alpha”: 0.01,
“max_iter”: 10,
“early_stop”: “diff”,
“batch_size”: 500,
“learning_rate”: 0.15,
“decay”: 1,
“decay_sqrt”: true,
“init_param”: {
“init_method”: “zeros”
},
“encrypt_param”: {
“method”: null
},
“cv_param”: {
“n_splits”: 4,
“shuffle”: true,
“random_seed”: 33,
“need_cv”: false
}
}
}
}
关于角色,解释如下:
-
arbiter是用来辅助多方完成联合建模的,它的主要作用是聚合梯度或者模型。比如纵向lr里面,各方将自己一半的梯度发送给arbiter,然后arbiter再联合优化等等。
-
guest代表数据应用方。
-
host是数据提供方。
-
local是指本地任务, 该角色仅用于upload和download阶段中。
3.2.3 提交参数,训练模型
Job submit
-
介绍: 提交执行pipeline任务。
-
参数:
| 编号 | 参数 | Flag_1 | Flag_2 | 必要参数 | 参数介绍 |
| :-: | — | — | — | — | — |
| 1 | conf_path | -c | –conf-path | 是 | 任务配置文件路径 |
| 2 | dsl_path | -d | –dsl-path | 否 | DSL文件路径. 如果任务为预测任务,该字段可以不输入。另外,用户可以提供可用的自定义DSL文件用于执行预测任务。 |
执行:
flow job submit -c test_homolr_train_job_conf.json -d test_homolr_train_job_dsl.json
注意:需要全部为勾号才说明运行成功
可以看到运行的结果:
为了评估模型的效果,我们重新修改配置以检查效果:
在上传数据时,我们已经将两个评估模型的数据上传,并且转换为DTable格式
现在我们修改dsl
配置文件:
{
“components” : {
“dataio_0”: {
“module”: “DataIO”,
“input”: {
“data”: {
“data”: [
“args.train_data”
]
}
},
“output”: {
“data”: [“train”],
“model”: [“dataio”]
}
},
“dataio_1”: {
“module”: “DataIO”,
“input”: {
“data”: {
“data”: [
“args.eval_data”
]
},
“model”: [“dataio_0.dataio”]
},
“output”: {
“data”: [“eval_data”]
}
},
“feature_scale_0”: {
“module”: “FeatureScale”,
“input”: {
“data”: {
“data”: [
“dataio_0.train”
]
}
},
“output”: {
“data”: [“train”],
“model”: [“feature_scale”]
}
},
“feature_scale_1”: {
“module”: “FeatureScale”,
“input”: {
“data”: {
“data”: [
“dataio_1.eval_data”
]
}
},
“output”: {
“data”: [“eval_data”],
“model”: [“feature_scale”]
}
},
“homo_lr_0”: {
“module”: “HomoLR”,
“input”: {
“data”: {
“train_data”: [ // 注意这里是指定训练数据
“feature_scale_0.train”
]
}
},
“output”: {
“data”: [
“train”
],
“model”: [“homolr”]
}
},
“homo_lr_1”: {
“module”: “HomoLR”,
“input”: {
“data”: {
“eval_data”: [ // 注意:这里是指定评估数据
“feature_scale_1.eval_data”
]
},
“model”: [ // 这里指定好模型
“homo_lr_0.homolr”
]
},
“output”: {
“data”: [
“eval_data”
],
“model”: [“homolr”]
}
},
“evaluation_0”: {
“module”: “Evaluation”,
“input”: {
“data”: {
“data”: [
“homo_lr_0.train”
]
}
}
},
“evaluation_1”: {
“module”: “Evaluation”,
“input”: {
“data”: {
“data”: [
“homo_lr_1.eval_data” // 指定评估数据集
]
}
}
}
}
}
修改conf
文件:
{
…
“role_parameters”: {
“guest”: {
“args”: {
“data”: {
“train_data”: [
{
“name”: “homo_breast_2_train”,
“namespace”: “homo_guest_breast_train”
}
],
“eval_data”: [ // 添加测试集合
{
“name”: “homo_breast_2_eval”,
“namespace”: “homo_guest_breast_eval”
}
]
}
},
“dataio_0”: {
“label_name”: [“y”]
}
},
“host”: {
“args”: {
“data”: {
“train_data”: [
{
“name”: “homo_breast_1_train”,
“namespace”: “homo_host_breast_train”
}
],
“eval_data”: [ // 添加测试集合
{
“name”: “homo_breast_1_eval”,
“namespace”: “homo_host_breast_eval”
}
]
}
},
…
}
},
…
}
重新提交任务,查看结果:
flow job submit -c test_homolr_train_job_conf.json -d test_homolr_train_job_dsl.json
DAG图:
上面的方案中有两个参与角色:
-
guest代表数据应用方。
-
host是数据提供方。
下面考虑更多的客户端参与,修改conf
文件中的role添加更多的参与方:
(这里为了方便起见,就不再对数据集根据不同的host进行进一步的划分,测试集也是如此)
{
“initiator”: {
“role”: “guest”,
“party_id”: 10000
},
“job_parameters”: {
“work_mode”: 0
},
“role”: {
“guest”: [
10000
],
“host”: [
10000, 10001, 10002 // 新建两个Host
],
“arbiter”: [
10000
]
},
“role_parameters”: {
“guest”: {
…
},
“host”: {
“args”: {
“data”: {
// 训练数据、测试数据的list都要与上面的host的list大小一样,一一对应
“train_data”: [
{
“name”: “homo_breast_1_train”,
“namespace”: “homo_host_breast_train”
},
{
“name”: “homo_breast_1_train”,
“namespace”: “homo_host_breast_train”
},
{
“name”: “homo_breast_1_train”,
“namespace”: “homo_host_breast_train”
}
],
“eval_data”: [
{
“name”: “homo_breast_1_eval”,
“namespace”: “homo_host_breast_eval”
},
{
“name”: “homo_breast_1_eval”,
“namespace”: “homo_host_breast_eval”
},
{
“name”: “homo_breast_1_eval”,
“namespace”: “homo_host_breast_eval”
}
]
}
},
// dataio_0 标签指定、测试集是否需要跑也是一样,大小一致、一一对应
“dataio_0”: {
“label_name”: [“y”, “y”, “y”]
},
“evaluation_0”: {
“need_run”: [
false, false, false
]
}
}
},
…
}
运行后效果如图:
=================================================================
在根目录下
如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费学习大礼包,带大家一起学习,给大家剖析Python兼职、就业行情前景的这些事儿。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!
最后祝你好运!!!
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!