fraction_fit 怎么动态变化 about flower

[helin0815]

在flwr/server/server.py的代码里好像有地方可以修改，但是也需要改代码

[buaaYYC]

在flwr/server/server.py的代码里好像有地方可以修改，但是也需要改代码

是的，但是不知道怎么修改这个策略 ，现在我看都是一个固定值，没法和训练轮数挂钩。
我现在能想到的方法就是写两个模拟函数fl.simulation.start_simulation，比如前10epochs，客户端选择10个；后10个epochs训练再启动一个模拟函数，选择20个客户端，他的模型参数用第一次训练的参数。

[helin0815]

在flwr/server/server.py的代码里好像有地方可以修改，但是也需要改代码

是的，但是不知道怎么修改这个策略 ，现在我看都是一个固定值，没法和训练轮数挂钩。 我现在能想到的方法就是写两个模拟函数fl.simulation.start_simulation，比如前10epochs，客户端选择10个；后10个epochs训练再启动一个模拟函数，选择20个客户端，他的模型参数用第一次训练的参数。

感觉你这个方法也可以，或者你可以试试把fraction_fit这个值从某个配置文件（比如/opt/fraction_fit.txt）中读取，然后在训练10轮以后修改/opt/fraction_fit.txt的内容，然后server.py再去读取这个内容？我不太确定server的启动是不是每轮都会重新分配一下，你可以试试

[buaaYYC]

在flwr/server/server.py的代码里好像有地方可以修改，但是也需要改代码

是的，但是不知道怎么修改这个策略 ，现在我看都是一个固定值，没法和训练轮数挂钩。 我现在能想到的方法就是写两个模拟函数fl.simulation.start_simulation，比如前10epochs，客户端选择10个；后10个epochs训练再启动一个模拟函数，选择20个客户端，他的模型参数用第一次训练的参数。

感觉你这个方法也可以，或者你可以试试把fraction_fit这个值从某个配置文件（比如/opt/fraction_fit.txt）中读取，然后在训练10轮以后修改/opt/fraction_fit.txt的内容，然后server.py再去读取这个内容？我不太确定server的启动是不是每轮都会重新分配一下，你可以试试

好的我试一试，我刚刚看到一个参数on_fit_config_fn ，感觉可能解决这个问题

[helin0815]

在flwr/server/server.py的代码里好像有地方可以修改，但是也需要改代码

是的，但是不知道怎么修改这个策略 ，现在我看都是一个固定值，没法和训练轮数挂钩。 我现在能想到的方法就是写两个模拟函数fl.simulation.start_simulation，比如前10epochs，客户端选择10个；后10个epochs训练再启动一个模拟函数，选择20个客户端，他的模型参数用第一次训练的参数。

感觉你这个方法也可以，或者你可以试试把fraction_fit这个值从某个配置文件（比如/opt/fraction_fit.txt）中读取，然后在训练10轮以后修改/opt/fraction_fit.txt的内容，然后server.py再去读取这个内容？我不太确定server的启动是不是每轮都会重新分配一下，你可以试试

好的我试一试，我刚刚看到一个参数on_fit_config_fn ，感觉可能解决这个问题

你使用flower框架是在做什么呢，我现在的研究方向是联邦学习的差分隐私

[buaaYYC]

我研究联邦学习的客户端选择策略

[yan-gao-GY]

Hi, this can be done by overriding the configure_fit function of the strategy.
E.g.,

def configure_fit(
    self, server_round: int, parameters: Parameters, client_manager: ClientManager
) -> List[Tuple[ClientProxy, FitIns]]:
    """Configure the next round of training."""
    config = {}
    if self.on_fit_config_fn is not None:
        # Custom fit config function provided
        config = self.on_fit_config_fn(server_round)
    fit_ins = FitIns(parameters, config)

    # Sample clients
    sample_size, min_num_clients = self.num_fit_clients(
        client_manager.num_available()
    )
    clients = client_manager.sample(
        num_clients=sample_size, min_num_clients=min_num_clients
    )

    # Sample the clients sequentially given server_round
    sampled_idx = (server_round - 1) % len(clients)
    sampled_clients = [clients[sampled_idx]]

    # Return client/config pairs
    return [(client, fit_ins) for client in sampled_clients]

The above code allows to sequentially sample the clients given server_round. You could do whatever clients sampling based on the given server_round.

[buaaYYC]

Hi, this can be done by overriding the configure_fit function of the strategy. E.g.,

def configure_fit(
    self, server_round: int, parameters: Parameters, client_manager: ClientManager
) -> List[Tuple[ClientProxy, FitIns]]:
    """Configure the next round of training."""
    config = {}
    if self.on_fit_config_fn is not None:
        # Custom fit config function provided
        config = self.on_fit_config_fn(server_round)
    fit_ins = FitIns(parameters, config)

    # Sample clients
    sample_size, min_num_clients = self.num_fit_clients(
        client_manager.num_available()
    )
    clients = client_manager.sample(
        num_clients=sample_size, min_num_clients=min_num_clients
    )

    # Sample the clients sequentially given server_round
    sampled_idx = (server_round - 1) % len(clients)
    sampled_clients = [clients[sampled_idx]]

    # Return client/config pairs
    return [(client, fit_ins) for client in sampled_clients]

The above code allows to sequentially sample the clients given server_round. You could do whatever clients sampling based on the given server_round.

"Thank you very much. Your answers have been very helpful to me."