יצירת משימה של למידת מכונה מאוחדת

קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

בדף הזה נסביר איך להשתמש בממשקי ה-API של למידת החיבור (Federated Learning) שסופקו על ידי התכונה 'התאמה אישית במכשיר' כדי לאמן מודל באמצעות תהליך למידה של חיבור מאוחד ורעשי גאוס קבועים.

לפני שמתחילים

לפני שמתחילים, צריך לבצע את השלבים הבאים במכשיר הבדיקה:

1. מוודאים שהמודול OnDevicePersonalization מותקן. המודול זמין כעדכון אוטומטי מאפריל 2024.

   # List the modules installed on the device
   adb shell pm list packages --apex-only --show-versioncode
   

   מוודאים שהמודול הבא מופיע עם קוד גרסה של 341717000 ואילך:

   package:com.google.android.ondevicepersonalization versionCode:341717000

   אם המודול הזה לא מופיע ברשימה, עוברים אל הגדרות > אבטחה ופרטיות > עדכונים > עדכון מערכת של Google Play כדי לוודא שהמכשיר עדכני. בוחרים באפשרות עדכון לפי הצורך.

2. הפעלה של כל התכונות החדשות שקשורות ללמידה משותפת.

   # Enable On-Device Personalization apk.
   adb shell device_config put on_device_personalization global_kill_switch false
   # Enable On-Device Personalization APIs.
   adb shell device_config put on_device_personalization enable_ondevicepersonalization_apis true
   # Enable On-Device Personalization overriding.
   adb shell device_config put on_device_personalization enable_personalization_status_override true
   adb shell device_config put on_device_personalization personalization_status_override_value true
   # Enable Federated Compute apk.
   adb shell device_config put on_device_personalization federated_compute_kill_switch false
   

יצירת משימה של למידה משותפת (Federated)

המספרים בתרשים מוסברים בפירוט בשלבים הבאים.

הגדרת שרת מחשוב מאוחד

למידה משותפת היא תהליך map-reduce שפועל בשרת המחשוב המאוחד (ה-reducer) ובקבוצה של לקוחות (הממפים). השרת של Federated Compute שומר על המטא-נתונים ועל פרטי המודל של כל משימה של למידה משותפת. ברמה גבוהה:

• מפתח של למידה משותפת יוצר משימה חדשה ומעלה לשרת גם את המטא-נתונים של הפעלת המשימה וגם את פרטי המודל.
• כשלקוח Federated Compute יוצר בקשה חדשה להקצאת משימה לשרת, השרת בודק את הכשירות של המשימה ומחזיר את פרטי המשימה שעומדת בדרישות.
• אחרי שלקוח Federated Compute מסיים את החישובים המקומיים, הוא שולח את תוצאות החישובים האלה לשרת. לאחר מכן, השרת מבצע צבירת נתונים והוספת רעש לתוצאות החישוב האלה ומחיל את התוצאה על המודל הסופי.

מידע נוסף על המושגים האלה זמין במאמרים הבאים:

• למידה משותפת (Federated): למידת מכונה שיתופית ללא נתוני אימון מרוכזים
• Towards Federated Learning at Scale: System Design (SysML 2019)

ב-ODP נעשה שימוש בגרסה משופרת של למידת מכונה משותפת (Federated), שבה רעש מכוונן (ריכוזי) מוחל על הנתונים המצטברים לפני החלתו על המודל. עוצמת הרעש מוודאת שהצבירות שומרות על פרטיות דיפרנציאלית.

שלב 1. יצירת שרת מחשוב מאוחד

פועלים לפי ההוראות בפרויקט של Federated Compute כדי להגדיר שרת Federated Compute משלכם.

שלב 2. הכנת Saved FunctionalModel

מכינים קובץ 'FunctionalModel' ששמור. אפשר להשתמש ב-'functional_model_from_keras' כדי להמיר 'Model' ל-'FunctionalModel', ולהשתמש ב-'save_functional_model' כדי לסדר את 'FunctionalModel' הזה כ-'SavedModel'.

functional_model = tff.learning.models.functional_model_from_keras(keras_model=model)
tff.learning.models.save_functional_model(functional_model, saved_model_path)

שלב 3. יצירת הגדרה של שרת Compute מאוחד

מכינים קובץ fcp_server_config.json שכולל את כללי המדיניות, הגדרות הלמידה המשותפת והגדרות הפרטיות הדיפרנציאלית. דוגמה:

  # Identifies the set of client devices that will participate.
  population_name: "my_new_population"
  # Options you can choose:
  # * TRAINING_ONLY: Only one training task will be generated under this
  #                  population.
  # * TRAINING_AND_EVAL: One training task and one evaluation task will be
  #                      generated under this population.
  # * EVAL_ONLY: Only one evaluation task will be generated under this
  #              population.
  mode: TRAINING_AND_EVAL
  policies {
    # Policy for sampling on-device examples. It is checked every time a
    # device attempts to start a new training.
    min_separation_policy {
      # The minimum number of rounds before the same client participated.
      minimum_separation: 3
    }
    # Policy for releasing training results to developers. It is checked
    # when uploading a new task to the Federated Compute Server.
    model_release_policy {
      # Server stops training when number of training rounds reaches this
      # number.
      num_max_training_rounds: 1000
    }
  }
  # Federated learning setups. They are applied inside Task Builder.
  federated_learning {
    learning_process {
      # Use FED_AVG to build federated learning process. Options you can
      # choose:
      # * FED_AVG: Federated Averaging algorithm
      #            (https://arxiv.org/abs/2003.00295)
      # * FED_SDG: Federated SGD algorithm
      #            (https://arxiv.org/abs/1602.05629)
      type: FED_AVG
      # Optimizer used at client side training. Options you can choose:
      # * ADAM
      # * SGD
      client_optimizer: SGD
      # Learning rate used at client side training.
      client_learning_rate: 0.01
      # Optimizer used at server side training. Options you can choose:
      # * ADAM
      # * SGD
      server_optimizer: ADAM
      # Learning rate used at server side training.
      sever_learning_rate: 1
      runtime_config {
        # Number of participating devices for each round of training.
        report_goal: 2000
      }
      # List of metrics to be evaluated by the model during training and
      # evaluation. Federated Compute Server provides a list of allowed
      # metrics.
      metrics {
        name: "auc-roc"
      }
      metrics {
        name: "binary_accuracy"
      }
    }
    # Whether or not to generate a corresponding evaluation task under the same
    # population. If this field isn't set, only one training task is
    # generated under this population.
    evaluation {
      # The task id under the same population of the source training task that
      # this evaluation task evaluates.
      source_training_task_id: 1
      # Decides how checkpoints from the training task are chosen for
      # evaluation.
      # * every_k_round: the evaluation task randomly picks one checkpoint
      #                  from the past k rounds of training task checkpoints.
      # * every_k_hour: the evaluation task randomly picks one checkpoint
      #                 from the past k hours of training task checkpoints.
      checkpoint_selector: "every_1_round"
      # The traffic of this evaluation task in this population.
      evaluation_traffic: 0.1
      # Number of participating devices for each round of evaluation.
      report_goal: 200
    }
  }
  # Differential Privacy setups. They are applied inside the Task Builder.
  differential_privacy {
    # The DP aggregation algorithm you want to use. Options you can choose:
    # * FIXED_GAUSSIAN: Federated Learning DP-SGD with fixed clipping norm
    #                   described in "Learning Differentially Private Recurrent
    #                   Language Models" (https://arxiv.org/abs/1710.06963).
    # * ADAPTIVE_GAUSSIAN: Federated Learning DP-SGD with quantile-based clip
    #                      norm estimation described in "Differentially Private
    #                      Learning with Adaptive Clipping"
    #                      (https://arxiv.org/abs/1905.03871).
    # * TREE: DP-FTRL algorithm described in "Practical and Private (Deep)
    #         Learning without Sampling or Shuffling"
    #         (https://arxiv.org/abs/2103.00039).
    # * ADADPTIVE_TREE: DP-FTRL with adaptive clipping norm descirbed in
    #                  "Differentially Private Learning with Adaptive Clipping"
    #                  (https://arxiv.org/abs/1905.03871).
    type: FIXED_GAUSSIAN
    # Noise multiplier for the Gaussian noise.
    noise_multiplier: 0.1
    #   The value of the clipping norm.
    clip_norm: 0.1
  }

שלב 4. שולחים את קובץ ה-zip של ההגדרות לשרת Federated Compute.

שולחים את קובץ ה-zip ואת fcp_server_config.json לשרת Federated Compute.

task_builder_client --task_builder_server='http://{federated_compute_server_endpoint}' --saved_model='saved_model' --task_config='fcp_server_config.json'

נקודת הקצה של שרת המחשוב המאוחד היא השרת שהגדרתם בשלב 1.

ספריית האופרטורים המובנית של LiteRT תומכת רק במספר מוגבל של אופרטורים של TensorFlow (Select TensorFlow operators). קבוצת האופרטורים הנתמכת עשויה להשתנות בגרסאות שונות של המודול OnDevicePersonalization. כדי לוודא תאימות, תהליך אימות של המפעיל מתבצע בתוך הכלי ליצירת משימות במהלך יצירת המשימה.

• הגרסה המינימלית הנתמכת של מודול OnDevicePersonalization תהיה כלולה במטא-נתונים של המשימה. המידע הזה מופיע בהודעת המידע של הכלי ליצירת משימות.

  I1023 22:16:53.058027 139653371516736 task_builder_client.py:109] Success! Tasks are built, and artifacts are uploaded to the cloud.
  I1023 22:16:53.058399 139653371516736 task_builder_client.py:112] applied_algorithms {
    learning_algo: FED_AVG
    client_optimizer: SGD
    server_optimizer: SGD
    dp_aggregator: FIXED_GAUSSIAN
  }
  metric_results {
    accepted_metrics: "binary_accuracy, binary_crossentropy, recall, precision, auc-roc, auc-pr"
  }
  dp_hyperparameters {
    dp_delta: 0.000001
    dp_epsilon: 6.4
    noise_multiplier: 1.0
    dp_clip_norm: 1.0
    num_training_rounds: 10000
  }
  
  I1023 22:16:53.058594 139653371516736 task_builder_client.py:113] training_task {
    min_client_version: "341912000"
  }
  eval_task {
    min_client_version: "341812000"
  }
  

  שרת המחשוב המאוחד יקצה את המשימה הזו לכל המכשירים עם מודול OnDevicePersonalization בגרסה גבוהה מ-341812000.

• אם המודל כולל פעולות שאין להן תמיכה במודולים של OnDevicePersonalization, תופיע הודעת שגיאה במהלך יצירת המשימה.

  common.TaskBuilderException: Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {'L2Loss': 'L2LossOp<CPUDevice, float>'}
  . Stop building remaining artifacts.
  

• ב-GitHub יש רשימה מפורטת של פעולות אופרטיביות גמישות נתמכות.

יצירת חבילת APK של Android Federated Compute

כדי ליצור קובץ APK של Android Federated Compute, צריך לציין את נקודת הקצה (endpoint) של כתובת ה-URL של שרת Federated Compute ב-AndroidManifest.xml, שאליה מתחבר לקוח Federated Compute.

שלב 5. ציון נקודת הקצה של כתובת ה-URL של שרת המחשוב המאוחד

מציינים את נקודת הקצה של כתובת ה-URL של שרת המחשוב המאוחד (שהגדרתם בשלב 1) ב-AndroidManifest.xml, שאליה מתחבר לקוח המחשוב המאוחד.

<!-- Contents of AndroidManifest.xml -->
<manifest xmlns:android="http://schemas.android.com/apk/res/android"
          package="com.example.odpsample" >
    <application android:label="OdpSample">
        <!-- XML resource that contains other ODP settings. -->
        <property android:name="android.ondevicepersonalization.ON_DEVICE_PERSONALIZATION_CONFIG"
                  android:resource="@xml/OdpSettings"></property>
        <!-- The service that ODP will bind to. -->
        <service android:name="com.example.odpsample.SampleService"
                android:exported="true" android:isolatedProcess="true" />
    </application>
</manifest>

קובץ המשאב של ה-XML שצוין בתג <property> צריך גם להצהיר על סיווג השירות בתג <service>, ולציין את נקודת הקצה של כתובת ה-URL של שרת המחשוב המאוחד שאליה יתחבר לקוח המחשוב המאוחד:

<!-- Contents of res/xml/OdpSettings.xml -->
<on-device-personalization>
   <!-- Name of the service subclass -->
   <service name="com.example.odpsample.SampleService">
     <!-- If you want to use federated compute feature to train a model,
          specify this tag. -->
     <federated-compute-settings url="https://fcpserver.com/" />
   </service>
</on-device-personalization>

שלב 6. הטמעת ה-API של IsolatedWorker#onTrainingExample

מטמיעים את ה-API הציבורי של התאמה אישית במכשיר IsolatedWorker#onTrainingExample כדי ליצור נתוני אימון.

לקוד שפועל ב-IsolatedProcess אין גישה ישירה לרשת, לדיסקים המקומיים או לשירותים אחרים שפועלים במכשיר. עם זאת, ממשקי ה-API הבאים זמינים:

• 'getRemoteData' – נתוני מפתח/ערך שלא ניתן לשנות, שהורדתם מקצוות עורפיים מרוחקים שמנוהלים על ידי מפתחים, אם רלוונטי.
• 'getLocalData' – נתוני מפתח/ערך שניתנים לשינוי ושהמפתחים שומרים באופן מקומי, אם רלוונטי.
• 'UserData' – נתוני משתמשים שסופקו על ידי הפלטפורמה.
• 'getLogReader' – מחזירה DAO לטבלאות REQUESTS ו-EVENTS.

דוגמה:

@Override public void onTrainingExample(
            @NonNull TrainingExampleInput input,
            @NonNull Consumer<TrainingExampleOutput> consumer) {
    // Check if the incoming training task is the task we want.
    if (input.getPopulationName() == "my_new_population") {
        TrainingExampleOutput result = new TrainingExampleOutput.Builder():
        RequestLogRecord record = this.getLogReader().getRequestLogRecord(1);
        int count = 1;
        // Iterate logging event table.
        for (ContentValues contentValues: record.rows()) {
            Features features = Features.newBuilder()
                // Retrieve carrier from user info.
                .putFeature("carrier", buildFeature(mUserData.getCarrier()))
                // Retrieve features from logging info.
                .putFeature("int_feature_1",
                    buildFeature(contentValues.get("int_feature_1")
            result.addTrainingExample(
                    Example.newBuilder()
                        .setFeatures(features).build().toByteArray())
                .addResumptionToken(
                    String.format("token%d", count).getBytes()))
                .build();
            count++;
        }
        consumer.accept(result.build());
    }
}

שלב 7. קביעת משימה חוזרת של הדרכה.

התכונה 'התאמה אישית במכשיר' מספקת למפתחים FederatedComputeScheduler כדי לתזמן או לבטל משימות מחשוב מאוחדות. יש אפשרויות שונות להפעיל אותו דרך IsolatedWorker, לפי תזמון או בסיום הורדה אסינכררונית. בהמשך מופיעות דוגמאות לשני המקרים.

• אפשרות מבוססת-תזמון. התקשרות אל FederatedComputeScheduler#schedule בIsolatedWorker#onExecute.

  @Override public void onExecute(
              @NonNull ExecuteInput input,
              @NonNull Consumer<ExecuteOutput> consumer
      ) {
      if (input != null && input.getAppParams() != null
          && input.getAppParams().getString("schedule_training") != null) {
          if (input.getAppParams().getString("schedule_training").isEmpty()) {
              consumer.accept(null);
              return;
          }
          TrainingInterval interval = new TrainingInterval.Builder()
              .setMinimumInterval(Duration.ofSeconds(10))
              .setSchedulingMode(2)
              .build();
          FederatedComputeScheduler.Params params = new FederatedComputeScheduler
              .Params(interval);
          FederatedComputeInput fcInput = new FederatedComputeInput.Builder()
              .setPopulationName(
                  input.getAppParams().getString("schedule_training")).build();
          mFCScheduler.schedule(params, fcInput);
  
          ExecuteOutput result = new ExecuteOutput.Builder().build();
          consumer.accept(result);
      }
  }
  

• האפשרות 'ההורדה הושלמה'. צריך לקרוא ל-FederatedComputeScheduler#schedule ב-IsolatedWorker#onDownloadCompleted אם תזמון של משימה של אימון תלוי בנתונים או בתהליכים אסינכרונים.

אימות

בשלבים הבאים מוסבר איך מוודאים שהמשימה של למידת המכונה המשותפת פועלת כמו שצריך.

שלב 8. מוודאים שהמשימה של הלמידה המשותפת פועלת כמו שצריך.

בכל סיבוב של צבירת נתונים בצד השרת נוצרים צ'קפוינט חדש של המודל וקובץ מדדים חדש.

המדדים נמצאים בקובץ בפורמט JSON של צמדי מפתח-ערך. הקובץ נוצר על סמך רשימת Metrics שהגדרתם בשלב 3. דוגמה לקובץ JSON מייצג של מדדים:

{"server/client_work/train/binary_accuracy":0.5384615659713745, "server/client_work/train/binary_crossentropy":0.694046676158905, "server/client_work/train/recall":0.20000000298023224, "server/client_work/train/precision":0.3333333432674408, "server/client_work/train/auc-roc":0.3500000238418579, "server/client_work/train/auc-pr":0.44386863708496094, "server/finalizer/update_non_finite":0.0}

אפשר להשתמש בסקריפט דומה לזה כדי לקבל מדדי מודל ולעקוב אחרי ביצועי האימון:

import collections
import json
import matplotlib.pyplot as plt
from google.cloud import storage

# The population_name you set in fcp_server_config.json in Step 3.
POPULATION_NAME = 'my_new_population'
# The Google Cloud storage you set in Step 1.
GCS_BUCKET_NAME = 'fcp-gcs'
NUM_TRAINING_ROUND = 1000

storage_client = storage.Client()
bucket = storage_client.bucket(GCS_BUCKET_NAME)

metrics = collections.defaultdict(list)
for i in range(NUM_TRAINING_ROUND):
    blob = bucket.blob('{}/{}/1/{}/s/0/metrics'.format(GCS_BUCKET_NAME, POPULATION_NAME, i+1))
    with blob.open("r") as f:
                     metric = json.loads(f.read())
                    for metric_name in metric.keys():
                             metrics[metric_name].append(metric[metric_name])

for metric_name in metrics:
         print(metric_name)
         plt.plot(metrics[metric_name])
         plt.show()

שימו לב שבתרשים לדוגמה שלמעלה:

• ציר ה-x הוא מספר הסבבים של האימון.
• ציר ה-y הוא הערך של auc-roc בכל סיבוב.

אימון מודל לסיווג תמונות להתאמה אישית במכשיר

במדריך הזה נעשה שימוש במערך הנתונים EMNIST כדי להדגים איך להריץ משימה של למידת מכונה מאוחדת ב-ODP.

שלב 1. יוצרים tff.learning.models.FunctionalModel

def get_image_classification_input_spec():
  return (
      tf.TensorSpec([None, 28, 28, 1], tf.float32),
      tf.TensorSpec([None, 1], tf.int64),
  )

def create_and_save_image_classification_functional_model(
    model_path: str,
) -> None:
  keras_model =  emnist_models.create_original_fedavg_cnn_model(
      only_digits=True
  )
  functional_model = tff.learning.models.functional_model_from_keras(
      keras_model=keras_model,
      input_spec=get_image_classification_input_spec(),
      loss_fn=tf.keras.losses.SparseCategoricalCrossentropy(),
  )
  tff.learning.models.save_functional_model(functional_model, model_path)

• פרטי מודל emnist keras מופיעים בקובץ emnist_models.
• עדיין אין ב-TfLite תמיכה טובה ב-tf.sparse.SparseTensor או ב-tf.RaggedTensor. כשאתם יוצרים את המודל, נסו להשתמש ב-tf.Tensor כמה שיותר.
• הכלי ליצירת משימות ב-ODP יחליף את כל המדדים בזמן יצירת תהליך הלמידה, כך שאין צורך לציין מדדים כלשהם. נסביר על הנושא הזה בהרחבה בשלב 2. יוצרים את ההגדרות של ה-task builder.

• יש תמיכה בשני סוגים של קלט למודלים:

  • סוג 1. Tuple(features_tensor, label_tensor).

    • כשיוצרים את המודל, ה-input_spec נראה כך:

    def get_input_spec():
      return (
          tf.TensorSpec([None, 28, 28, 1], tf.float32),
          tf.TensorSpec([None, 1], tf.int64),
      )
    

    • משלבים את הקוד הקודם עם ההטמעה הבאה של ממשק ה-API הציבורי של ODP‏ IsolatedWorker#onTrainingExamples כדי ליצור נתוני אימון במכשיר:

    return tf.train.Example(
        features=tf.train.Features(
            feature={
                'x': tf.train.Feature(
                    float_list=tf.train.FloatList(value=[1.0] * 784)
                ),
                'y': tf.train.Feature(
                    int64_list=tf.train.Int64List(
                        value=[1]
                    )
                ),
            }
        )
    ).SerializeToString()
    

  • סוג 2. Tuple(Dict[feature_name, feature_tensor], label_tensor)

    • כשיוצרים את המודל, ה-input_spec נראה כך:

    def get_input_spec() -> (
        Tuple[collections.OrderedDict[str, tf.TensorSpec], tf.TensorSpec]
    ):
      return (
          collections.OrderedDict(
              [('feature-1', tf.TensorSpec([None, 1], tf.float32)),
              ('feature-2', tf.TensorSpec([None, 1], tf.float32))]
          ),
          tf.TensorSpec([None, 1], tf.int64),
      )
    

    • כדי ליצור נתוני אימון, משלבים את הקוד הקודם עם ההטמעה הבאה של ממשק ה-API הציבורי של ODP‏ IsolatedWorker#onTrainingExamples:

    return tf.train.Example(
        features=tf.train.Features(
            feature={
                'feature-1': tf.train.Feature(
                    float_list=tf.train.FloatList(value=[1.0])
                ),
                'feature-2': tf.train.Feature(
                    float_list=tf.train.FloatList(value=[2.0])
                ),
                'my_label': tf.train.Feature(
                    int64_list=tf.train.Int64List(
                        value=[1]
                    )
                ),
            }
        )
    ).SerializeToString()
    

    • חשוב לא לשכוח לרשום את label_name בהגדרות של ה-task builder.

    mode: TRAINING_AND_EVAL  # Task execution mode
    population_name: "my_example_model"
    label_name: "my_label"
    

• ODP מטפל ב-DP באופן אוטומטי במהלך בניית תהליך הלמידה. לכן אין צורך להוסיף רעש כשיוצרים את המודל הפונקציונלי.

• הפלט של המודל הפונקציונלי השמור אמור להיראות כמו הדוגמה במאגר שלנו ב-GitHub.

שלב 2. יצירת התצורה של ה-task builder

דוגמאות להגדרות של ה-Task Builder זמינות במאגר שלנו ב-GitHub.

• מדדי אימון והערכה

  מאחר שמדדים עלולים לגרום לדליפת נתוני משתמשים, ב-Task Builder תהיה רשימה של מדדים שתהליך הלמידה יכול ליצור ולשחרר. הרשימה המלאה מופיעה במאגר שלנו ב-GitHub.

  לפניכם רשימת מדדים לדוגמה ליצירת הגדרה חדשה של הכלי ליצירת משימות:

  federated_learning {
    learning_process {
      metrics {
        name: "binary_accuracy"
      }
      metrics {
        name: "binary_crossentropy"
      }
      metrics {
        name: "recall"
      }
      metrics {
        name: "precision"
      }
      metrics {
        name: "auc-roc"
      }
      metrics {
        name: "auc-pr"
      }
    }
  }
  

אם המדדים שמעניינים אתכם לא מופיעים ברשימה הזו, תוכלו לפנות אלינו.

• הגדרות DP

  יש כמה הגדרות שקשורות ל-DP שצריך לציין:

  policies {
    min_separation_policy {
      minimum_separation: 1
    }
    model_release_policy {
      num_max_training_rounds: 1000
      dp_target_epsilon: 10
      dp_delta: 0.000001
    }
  }
  differential_privacy {
    type: FIXED_GAUSSIAN
    clip_norm: 0.1
    noise_multiplier: 0.1
  }
  

  • צריך להגדיר את dp_target_epsilon או את noise_mulitipiler כדי לעבור את האימות: (noise_to_epsilon epislon_to_noise).
  • הגדרות ברירת המחדל האלה מפורטות במאגר שלנו ב-GitHub.

שלב 3. העלאת התצורה של ה-Task Builder והמודל השמור לאחסון בענן של כל מפתח

חשוב לזכור לעדכן את השדות artifact_building כשמעלים את ההגדרות של ה-task builder.

שלב 4. (אופציונלי) בדיקת היצירה של הארטיפקט בלי ליצור משימה חדשה

cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --task_builder_server=${task_builder_server_endpoint}

המודל לדוגמה מאומת באמצעות בדיקת flex ops ובדיקת dp. אפשר להוסיף את skip_flex_ops_check ו-skip_dp_check כדי לעקוף את האימות (לא ניתן לפרוס את המודל הזה בגרסה הנוכחית של לקוח ODP בגלל כמה פעולות flex ops חסרות).

cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --task_builder_server=${task_builder_server_endpoint} --skip_flex_ops_check=True --skip_dp_check=True

• flex_ops_check: ספריית האופרטורים המובנית של TensorFlow Lite תומכת רק במספר מוגבל של אופרטורים של TensorFlow (תאימות של TensorFlow Lite לאופרטורים של TensorFlow). צריך להתקין את כל הפונקציות של tensorflow שלא תואמות באמצעות הנציג של Flex (Android.bp). אם מודל מכיל פעולות שלא נתמכות, צריך לפנות אלינו כדי לרשום אותן:

  Cannot build the ClientOnlyPlan: Please contact Google to register these ops: {...}
  

• הדרך הטובה ביותר לנפות באגים ב-Task Builder היא להפעיל אותו באופן מקומי:

  # Starts a server at localhost:5000
  bazel run //python/taskbuilder:task_builder
  # Links to a server at localhost:5000 by removing task_builder_server flag
  bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config_build_artifact_only.pbtxt --build_artifact_only=true --skip_flex_ops_check=True --skip_dp_check=True
  

תוכלו למצוא את הארטיפקטים שנוצרו באחסון בענן שצוין בהגדרות. הוא אמור להיראות כמו הדוגמה במאגר שלנו ב-GitHub.

שלב 5. יוצרים ארטיפקטים ויוצרים צמד חדש של משימות אימון והערכה בשרת FCP.

מסירים את הדגל build_artifact_only והארטיפקטים שנוצרו יועלמו לשרת FCP. צריך לבדוק שצמד משימות של אימון והערכה נוצרו בהצלחה

cd ${odp_fcp_github_repo}/python
bazel run //python/taskbuilder:task_builder_client -- --saved_model=${path_of_cloud_storage}/mnist_model/ --task_config=${path_of_cloud_storage}/mnist_cnn_task_config.pbtxt --task_builder_server=${task_builder_server_endpoint}

שלב 6. הכנת הצד הלקוח ל-FCP

• מטמיעים את ה-API הציבורי של ODP‏ IsolatedWorker#onTrainingExamples כדי ליצור נתוני אימון.
• קוראים לפונקציה FederatedComputeScheduler#schedule.
• כמה דוגמאות במאגר המקורות של Android.

שלב 7. מעקב

• מדדי השרת

  הוראות ההגדרה מפורטות במאגר שלנו ב-GitHub.

• מדדי מודל

אפשר להשוות בין מדדים מפעולות שונות בתרשים אחד. לדוגמה:

• השורה הסגולה היא עם noise_multiplier 0.1
• השורה הוורודה היא עם noise_multipiler 0.3