时间戳

首页 > 解决方案 > 如何使用 TFF 进行预测？

tensorflow-federated - 如何使用 TFF 进行预测？

问题描述

我的问题是：如何使用 Tensorflow Federated 预测此类图像的标签？

完成模型评估后，我想预测给定图像的标签。就像在 Keras 中一样，我们这样做：

# new instance where we do not know the answer
Xnew = array([[0.89337759, 0.65864154]])
# make a prediction
ynew = model.predict_classes(Xnew)
# show the inputs and predicted outputs
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

输出：

X=[0.89337759 0.65864154], Predicted=[0]

以下是 state 和 model_fn 的创建方式：


def model_fn():
    keras_model = create_compiled_keras_model()
    return tff.learning.from_compiled_keras_model(keras_model, sample_batch) 

iterative_process = tff.learning.build_federated_averaging_process(model_fn, server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0),client_weight_fn=None)
state = iterative_process.initialize()

我发现这个错误：

list(self._name_to_index.keys())[:10]))
AttributeError: The tuple of length 2 does not have named field "assign_weights_to". Fields (up to first 10): ['trainable', 'non_trainable']

谢谢

标签： tensorflow-federated

解决方案

（需要 TFF0.16.0或更新版本）

由于代码是tff.learning.Model从 a构建的，tf.keras.Model因此您可以assign_weights_to在对象上使用该方法tff.learning.ModelWeights（的类型state.model）。此方法在联邦学习文本生成教程中使用。

这可能看起来像（靠近底部，早期部分是示例 FL 训练循环）：


def create_keras_model() -> tf.keras.Model:
  ...

def model_fn():
  ...
  return tff.learning.from_keras_model(create_keras_model())

training_process = tff.learning. build_federated_averaging_process(model_fn, ...)

state = training_process.initialize()
for _ in range(NUM_ROUNDS):
  state, metrics = training_process.next(state, ...)

model_for_inference = create_keras_model()
state.model.assign_weights_to(model_for_inference)

一旦将权重state分配回 Keras 模型，代码就可以使用标准的 Keras API，例如tf.keras.Model.predict_on_batch

predictions = model_for_inference.predict_on_batch(batch)

推荐阅读