FedScale - 可扩展的开源联邦学习（FL）引擎和基准测试平台

项目简介

FedScale 是一个可扩展的、开源的联邦学习（Federated Learning，简称FL）引擎和基准测试平台。该平台为实现FL算法提供了高级API，可以在各种不同的硬件和软件环境中大规模部署和评估这些算法。此外，FedScale 还包含一个大型联邦学习基准，涵盖了从图像分类、物体检测到语言建模和语音识别的一系列任务。同时，FedScale 提供了数据集，以便在实际部署FL时，能够真实地模拟FL训练环境。

快速开始

快速安装（Linux）

只需运行 install.sh 脚本：

source install.sh # 如果需要CUDA，请添加`--cuda`
pip install -e .

如果对conda/CUDA的不同版本有偏好，可以修改 install.sh。

源码安装（Linux/MacOS）

如果已经安装 Anaconda 并克隆了 FedScale 项目，可以按照以下步骤：

cd FedScale

# MacOS 用户需将 ~/.bashrc 替换为 ~/.bash_profile
FEDSCALE_HOME=$(pwd)
echo export FEDSCALE_HOME=$(pwd) >> ~/.bashrc 
echo alias fedscale=\'bash $FEDSCALE_HOME/fedscale.sh\' >> ~/.bashrc 
conda init bash
. ~/.bashrc

conda env create -f environment.yml
conda activate fedscale
pip install -e .

如需使用GPU支持，请安装 NVIDIA 的 CUDA 10.2 或更高版本。

学习指南

安装好 FedScale 后，可以通过以下教程开始你的探索：

探索 FedScale 数据集
部署你的FL实验
实现一个FL算法
在智能手机上部署FL

FedScale 数据集

FedScale 包含超过20个大规模、异构的FL数据集，以及超过70种不同的模型，涵盖计算机视觉（CV）、自然语言处理（NLP）和其他任务。每个数据集都包含训练、验证和测试数据集。我们感谢这些原始数据集的贡献者。有关详细信息，请参阅 ./benchmark/dataset 目录和数据集的README文件。

FedScale 运行时

FedScale 运行时是一个可扩展的部署和评估平台，简化并标准化FL实验设置和模型评估。它是从我们之前的系统 Oort 演变而来的，该系统在每一轮中能够很好地扩展以模拟数千个客户端的FL训练。

请到 ./fedscale/cloud 目录，并按照README文件设置FL训练脚本，以及用于实际设备部署的 README。

项目结构

项目根目录
|---- fedscale          # FedScale 源代码
  |---- cloud           # FedScale服务的核心
  |---- utils           # 辅助功能（例如，模型库和FL优化器）
  |---- edge            # 实际部署的后端（例如，移动设备）
  |---- dataloaders     # 基准数据集的数据加载器

|---- docker            # FedScale Docker和容器部署（例如，Kubernetes）
|---- benchmark         # FedScale 数据集和配置
  |---- dataset         # 基准数据集
  |---- configs         # 示例配置

|---- scripts           # 安装依赖项的脚本
|---- examples          # 实现新FL设计的示例
|---- docs              # FedScale 教程和API

参考文献

使用FedScale代码或数据学习更多信息时，请阅读或引用相关文献。

@inproceedings{fedscale-icml22,
  title={{FedScale}: Benchmarking Model and System Performance of Federated Learning at Scale},
  author={Fan Lai and Yinwei Dai and Sanjay S. Singapuram and Jiachen Liu and Xiangfeng Zhu and Harsha V. Madhyastha and Mosharaf Chowdhury},
  booktitle={International Conference on Machine Learning (ICML)},
  year={2022}
}

和

@inproceedings{oort-osdi21,
  title={Oort: Efficient Federated Learning via Guided Participant Selection},
  author={Fan Lai and Xiangfeng Zhu and Harsha V. Madhyastha and Mosharaf Chowdhury},
  booktitle={USENIX Symposium on Operating Systems Design and Implementation (OSDI)},
  year={2021}
}

贡献与沟通

如发现Bug或改善FedScale，欢迎提交问题或拉取请求。对于每次提交，请添加相应更改的单元测试，并确保通过运行 pytest fedscale/tests 的所有单元测试。如果有任何问题或建议，请加入我们的Slack频道或给我们发送电子邮件。