VeryFL笔记_veryfl安装部署-CSDN博客

本文链接：https://blog.csdn.net/a15097745800/article/details/137679627

VeryFL利用PythonAPI和PyTorch实现联邦学习，通过SmartContract在以太坊区块链上管理用户、记录训练过程和激励分配。它支持非独立同分布数据的FedProx算法，并提供DatasetSpliter等工具。

摘要由CSDN通过智能技术生成

VeryFL工作流程

区块链借助Brownie，在基础层提供Python API和PyTorch。在Python API之上，将联邦学习过程封装到Task类中来执行FL训练，并将区块链API包装到ChainProxy类中来处理与智能合约的交互。

区块链模块主要负责客户端的管理和选举、训练过程的记录以及激励的分配。在区块链模块中，智能合约使用 Solidity 在以太坊区块链网络上执行，随后通过 Brownie 与 PyTorch 交互。以太坊是一个可编程的区块链平台，可以促进智能合约和去中心化应用程序。

Solidity是专门为以太坊智能合约量身定制的编程语言，Brownie是基于Python的开发框架，用于开发和测试以太坊智能合约。

在 VeryFL 中，blochchain 模块充当训练网络的管理者。如果用户希望参加联邦学习训练，首先需要申请一个账户id，用于用户管理。为了保护模型版权，区块链将为每个唯一的模型分配水印，作为模型版权的标识符。该令牌与模型绑定并记录在区块链中，指定它所属的用户。对于训练管理，客户端和服务器将每轮训练结果（包括准确性、损失和数据集大小）上传到区块链，以供客户端选择和激励分配。通过这个底层区块链模块，可以在以太坊网络上实现很多链上机制。

几个关键的py文件（类）

常见的联邦学习实验通常在 CIFAR10、CIFAR100 和 FashionMnist 数据集上进行，框架在 Benchmark 模块中提供了预配置，以便快速启动和运行。除了基本的配置和模块之外，还设计了一些实用程序类来个性化实验。例如，在数据集分区处提供DatasetSpliter，以支持非独立同分布数据分布的联邦学习实验。