一、说明
本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练，并使用该模型对数据进行 多分类预测。
- 二分类算法：是指待预测的 label 标签的取值只有两种；直白来讲就是每个实例的可能类别只有两种(0 或者 1)，例如性别只有 男 或者 女；此时的分类算法其实是在构建一个分类线将数据划分为两个类别。
- 多分类算法：是指待预测的 label 标签的取值可能有多种情况，例如个人爱好可能有 篮球、足球、电影 等等多种类型。常见算法：Softmax、SVM、KNN、决策树。
关于 Fate 的核心概念、单机部署、训练以及预测请参考以下相关文章：
二、准备训练数据
上传到 Fate 里的数据有两个字段名必需是规定的，分别是主键为 id 字段和分类字段为 y 字段，y 字段就是所谓的待预测的 label 标签；其他的特征字段(属性)可任意填写，例如下面例子中的 x0 – x9
例如有一条用户数据为：
收入: 10000，负债: 5000，是否有还款能力: 1 ；数据中的收入和负债就是特征字段，而是否有还款能力就是分类字段。
本文只描述关键部分，关于详细的模型训练步骤，请查看文章《隐私计算FATE-模型训练》
2.1. guest端
10条数据，包含1个分类字段 y 和 10 个标签字段 x0 – x9
y 值有 0、1、2、3 四个分类
上传到 Fate 中，表名为 muti_breast_homo_guest 命名空间为 experiment
2.2. host端
10条数据，字段与 guest 端一样，但是内容不一样
上传到 Fate 中，表名为 muti_breast_homo_host 命名空间为 experiment
三、执行训练任务
3.1. 准备dsl文件
创建文件 homo_nn_dsl.json 内容如下 ：
{ "components": { "reader_0": { "module": "Reader", "output": { "data": [ "data" ] } }, "data_transform_0": { "module": "DataTransform", "input": { "data": { "data": [ "reader_0.data" ] } }, "output": { "data": [ "data" ], "model": [ "model" ] } }, "homo_nn_0": { "module": "HomoNN", "input": { "data": { "train_data": [ "data_transform_0.data" ] } }, "output": { "data": [ "data" ], "model": [ "model" ] } } } }
3.2. 准备conf文件
创建文件 homo_nn_multi_label_conf.json 内容如下 ：
{ "dsl_version": 2, "initiator": { "role": "guest", "party_id": 9999 }, "role": { "arbiter": [ 10000 ], "host": [ 10000 ], "guest": [ 9999 ] }, "component_parameters": { "common": { "data_transform_0": { "with_label": true }, "homo_nn_0": { "encode_label": true, "max_iter": 15, "batch_size": -1, "early_stop": { "early_stop": "diff", "eps": 0.0001 }, "optimizer": { "learning_rate": 0.05, "decay": 0.0, "beta_1": 0.9, "beta_2": 0.999, "epsilon": 1e-07, "amsgrad": false, "optimizer": "Adam" }, "loss": "categorical_crossentropy", "metrics": [ "accuracy" ], "nn_define": { "class_name": "Sequential", "config": { "name": "sequential", "layers": [ { "class_name": "Dense", "config": { "name": "dense", "trainable": true, "batch_input_shape": [ null, 18 ], "dtype": "float32", "units": 5, "activation": "relu", "use_bias": true, "kernel_initializer": { "class_name": "GlorotUniform", "config": { "seed": null, "dtype": "float32" } }, "bias_initializer": { "class_name": "Zeros", "config": { "dtype": "float32" } }, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null } }, { "class_name": "Dense", "config": { "name": "dense_1", "trainable": true, "dtype": "float32", "units": 4, "activation": "sigmoid", "use_bias": true, "kernel_initializer": { "class_name": "GlorotUniform", "config": { "seed": null, "dtype": "float32" } }, "bias_initializer": { "class_name": "Zeros", "config": { "dtype": "float32" } }, "kernel_regularizer": null, "bias_regularizer": null, "activity_regularizer": null, "kernel_constraint": null, "bias_constraint": null } } ] }, "keras_version": "2.2.4-tf", "backend": "tensorflow" }, "config_type": "keras" } }, "role": { "host": { "0": { "reader_0": { "table": { "name": "muti_breast_homo_host", "namespace": "experiment" } } } }, "guest": { "0": { "reader_0": { "table": { "name": "muti_breast_homo_guest", "namespace": "experiment" } } } } } } } 注意
reader_0组件的表名和命名空间需与上传数据时配置的一致。
3.3. 提交任务
执行以下命令：
flow job submit -d homo_nn_dsl.json -c homo_nn_multi_label_conf.json 执行成功后，查看 dashboard 显示：
四、准备预测数据
与前面训练的数据字段一样，但是内容不一样，y 值全为 0
4.1. guest端
上传到 Fate 中，表名为 predict_muti_breast_homo_guest 命名空间为 experiment
4.2. host端
上传到 Fate 中，表名为 predict_muti_breast_homo_host 命名空间为 experiment
五、准备预测配置
本文只描述关键部分，关于详细的预测步骤，请查看文章《隐私计算FATE-离线预测》
创建文件 homo_nn_multi_label_predict.json 内容如下 ：
{ "dsl_version": 2, "initiator": { "role": "guest", "party_id": 9999 }, "role": { "arbiter": [ 10000 ], "host": [ 10000 ], "guest": [ 9999 ] }, "job_parameters": { "common": { "model_id": "arbiter-10000#guest-9999#host-10000#model", "model_version": "202207061504081543620", "job_type": "predict" } }, "component_parameters": { "role": { "guest": { "0": { "reader_0": { "table": { "name": "predict_muti_breast_homo_guest", "namespace": "experiment" } } } }, "host": { "0": { "reader_0": { "table": { "name": "predict_muti_breast_homo_host", "namespace": "experiment" } } } } } } } 注意以下两点：
model_id和model_version需修改为模型部署后的版本号。
reader_0组件的表名和命名空间需与上传数据时配置的一致。
六、执行预测任务
执行以下命令：
flow job submit -c homo_nn_multi_label_predict.json 执行成功后，查看 homo_nn_0 组件的数据输出：
可以看到算法输出的预测结果。
扫码关注有惊喜！
