PySyftを使ってMNISTを分類する

この記事を元に解説する

Federated Learningの参考：

A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection
Communication-Efficient Learning of Deep Networks from Decentralized Data

Federated Learning
FedAvg
PySyftを使ってFLの実装
追記

Federated Learning

Federated Learning(FL)は、プライバシーの観点からデータを外に持ち出せないときに、複数のデータの所有者が協力して共有の機械学習モデルを訓練する方法である

データの所有者は例えば病院やモバイル機器を想定するとわかりやすい

PySyftはFederated Learningのための一つのライブラリであり、PytorchやTensorflowと一緒に利用可能である

PySyftはFLで代表的なアルゴリズムであるFedAvgが実装されている

FedAvg

上図をもとにFedAvgの説明を行う。アルゴリズムは1~4を繰り返したものになる

サーバから各デバイスにモデルを送る
各デバイスでミニバッチ数$B$のデータを利用し、$E$回重みの更新を行う
サーバにパラメタの重みを送信する
各デバイスから受け取った重みをデバイスのデータ数で荷重平均したものをグローバルな重みとする

※E=1, B=「全てのデータ」としたとき、FedSGDというアルゴリズムと同等になる。E,Bを調整することで、性能はFedAvg > FedSGDとなる

PySyftを使ってFLの実装

まずはtorchをインポート

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms

データの所有者をbobとaliceとする

import syft as sy  # <-- NEW: import the Pysyft library
hook = sy.TorchHook(torch)  # <-- NEW: hook PyTorch ie add extra functionalities to support Federated Learning
bob = sy.VirtualWorker(hook, id="bob")  # <-- NEW: define remote worker bob
alice = sy.VirtualWorker(hook, id="alice")  # <-- NEW: and alice

パン

ここでv0.3.0+を使っていると、syftにtorchhookがないと言われてしまう
pip install syft==0.2.9 を使おう

ハイパーパラメータの設定を行う

class Arguments():
    def __init__(self):
        self.batch_size = 64
        self.test_batch_size = 1000
        self.epochs = 10
        self.lr = 0.01
        self.momentum = 0.5
        self.no_cuda = False
        self.seed = 1
        self.log_interval = 30
        self.save_model = False

args = Arguments()
use_cuda = not args.no_cuda and torch.cuda.is_available()
torch.manual_seed(args.seed)
device = torch.device("cuda" if use_cuda else "cpu")
kwargs = {'num_workers': 1, 'pin_memory': True} if use_cuda else {}

「.federate」を利用して、bobとaliceでMNISTのデータを分割する。テストデータは通常のデータローダを使う

federated_train_loader = sy.FederatedDataLoader( # <-- this is now a FederatedDataLoader 
    datasets.MNIST('./data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ]))
    .federate((bob, alice)), # <-- NEW: we distribute the dataset across all the workers, it's now a FederatedDataset
    batch_size=args.batch_size, shuffle=True, **kwargs)

test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('./data', train=False, transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=args.test_batch_size, shuffle=True, **kwargs)

単純な構造のCNNを用意する

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5, 1)
        self.conv2 = nn.Conv2d(20, 50, 5, 1)
        self.fc1 = nn.Linear(4*4*50, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2, 2)
        x = x.view(-1, 4*4*50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

モデルを各データの場所に送り(model.send)、モデルをアップデートしたあとに、モデルを回収する(model.get)という点で通常の訓練とは異なる

def train(args, model, device, federated_train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(federated_train_loader): # <-- now it is a distributed dataset
        model.send(data.location) # <-- NEW: send the model to the right location
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        model.get() # <-- NEW: get the model back
        if batch_idx % args.log_interval == 0:
            loss = loss.get() # <-- NEW: get the loss back
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * args.batch_size, len(federated_train_loader) * args.batch_size,
                100. * batch_idx / len(federated_train_loader), loss.item()))

テストは通常のやり方

def test(args, model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
            pred = output.argmax(1, keepdim=True) # get the index of the max log-probability 
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

訓練を行う。通常の2倍弱の計算時間がかかる

model = Net().to(device)
optimizer = optim.SGD(model.parameters(), lr=args.lr) # TODO momentum is not supported at the moment

for epoch in range(1, args.epochs + 1):
    train(args, model, device, federated_train_loader, optimizer, epoch)
    test(args, model, device, test_loader)

if (args.save_model):
    torch.save(model.state_dict(), "mnist_cnn.pt")

MNISTの訓練程度であれば、NEWとコメントで書かれている数行のコードの追加のみでFLができることがわかった

追記

後期教養の3年で、PySyftのエンジニアリングチームに所属しているものです!
2xは既にサポート外でして、最新版は0.5になります!

FLに関しては、https://t.co/2c6kFt6A1P
等を参考にしていただければ幸いです!

また、https://t.co/AZL4VFHNr5
でオンラインコースを提供しています!
— Syumei (@koukyosyumei) May 17, 2021