/Fed-Learning-Lib

Primary LanguagePython

Proyecto de Aprendizaje Federado

Este proyecto está diseñado para implementar un sistema de aprendizaje federado utilizando la biblioteca Flower (flwr) y PyTorch. A continuación se describe la estructura del proyecto, el flujo de ejecución y los pasos para ejecutar el sistema.

Estructura del Proyecto

El proyecto se organiza en:

1. main.py

  • Descripción: Script principal que coordina la ejecución del servidor y los clientes.

2. start_server.py

  • Descripción: Inicia el servidor federado con la estrategia de agregación configurada.

3. start_clients.py

  • Descripción: Inicia múltiples instancias de clientes federados.

4. fed_client.py

  • Descripción: Implementa la lógica del cliente federado, incluyendo el entrenamiento del modelo y la comunicación con el servidor.

5. model.py

  • Descripción: Define el modelo de red neuronal utilizado para el entrenamiento.

6. utils.py

  • Descripción: Funciones de utilidad comunes a varias estrategias.

7. configuracion.yaml

  • Descripción: Archivo de configuración que especifica los parámetros del modelo, entrenamiento, servidor y clientes.

8. /data

  • Descripción: Carpeta que contiene el dataset utilizado en el proyecto.

    • diabetes_data.csv: Dataset utilizado para predecir si un paciente tiene o no diabetes. Cada fila del archivo representa un paciente con varias características médicas y demográficas, y la columna objetivo indica la presencia o no de diabetes.

9. /strategies

  • Descripción: Carpeta que contiene implementaciones de diferentes estrategias de agregación federada.

    • fedavg_strategy.py: Implementación de la estrategia FedAvg (Referencia).
    • fedprox_strategy.py: Implementación de la estrategia FedProx (Referencia).
    • fednova_strategy.py: Implementación de la estrategia FedNova (Referencia).
    • scaffold_strategy.py: Implementación de la estrategia Scaffold (Referencia).
    • custom_strategy.py: Implementación de una estrategia híbrida de ponderación personalizada con la que se han obtenido los mejores resultados de media.

10. /test

  • Descripción: Carpeta que contiene scripts de evaluación de los modelos obtenidos tras el aprendizaje federado.

11. /results

  • Descripción: Carpeta que contiene los resultados de las exactitudes a lo largo de las rondas de los clientes y del modelo combinado.

Flujo de Ejecución

  1. Inicio del Servidor:

    • El script main.py inicia el servidor federado con start_server.py. El servidor se configura de acuerdo con la estrategia de agregación especificada en configuracion.yaml.

  2. Inicio de los Clientes:

    • Luego de iniciar el servidor, main.py lanza el script start_clients.py para iniciar múltiples instancias de clientes. Cada cliente se conecta al servidor federado y participa en el proceso de entrenamiento.

  3. Entrenamiento y Evaluación:

    • Cada cliente realiza el entrenamiento del modelo utilizando los datos particionados. Los clientes envían los parámetros del modelo entrenado al servidor.
    • El servidor agrega los parámetros recibidos de todos los clientes usando la estrategia especificada (FedAvg, FedProx, FedNova) y actualiza el modelo global.
    • Este proceso se repite en varias rondas de entrenamiento según el número de rondas definido en configuracion.yaml.

  4. Agregación de Modelos:

    • En cada ronda, el servidor recibe los parámetros del modelo de todos los clientes, los agrega utilizando la estrategia especificada, y guarda el modelo global. La estrategia de agregación puede incluir métodos como FedAvg (promedio de los parámetros), FedProx (con proximidad), o FedNova (normalización de gradientes).

  5. Finalización del Entrenamiento:

    • El proceso de entrenamiento y agregación se repite hasta completar el número de rondas definido en configuracion.yaml. Tras completar las rondas, el entrenamiento finaliza.

Ejecución del Proyecto

Para ejecutar el sistema de aprendizaje federado, sigue estos pasos:

  1. Prepara el Entorno:

    • Asegúrate de tener todas las dependencias necesarias instaladas. Puedes instalar las dependencias utilizando el archivo requirements.txt. Ejecuta el siguiente comando en tu terminal:

      pip install -r requirements.txt

  2. Configura el Archivo configuracion.yaml:

    • Ajusta los parámetros del modelo, entrenamiento, servidor y clientes según tus necesidades en el archivo configuracion.yaml.

  3. Inicia el Sistema:

    • Ejecuta el script principal con:

      python main.py

    • Este comando iniciará el servidor y lanzará los clientes federados para comenzar el proceso de entrenamiento federado.

Este proyecto proporciona una base sólida para experimentar con el aprendizaje federado y puede ser extendido con nuevas estrategias, ajustes en el modelo y parámetros de entrenamiento.