联邦学习（一）：通过卷积神经网络对 emnist 数据集分类

最新推荐文章于 2025-05-11 19:53:47 发布
最新推荐文章于 2025-05-11 19:53:47 发布
阅读量2k 收藏 14
点赞数 2
分类专栏： 联邦学习 Tensorflow 2.0 深度学习 文章标签： tensorflow 联邦学习 深度学习 python 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36758914/article/details/115861863
版权
本文介绍了如何使用联邦学习算法对emnist数据集进行分类，详细阐述了数据处理、模型创建、初始化、迭代更新等步骤，并探讨了@tff.tf_computation和@tff.federated_computation的区别。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

项目介绍

使用联邦学习算法对 emnist 数据集进行分类。

首先要先明确一个知识点，就是修饰符 @tff.tf_computation 和 @tff.federated_computation 的区别：

  • tensorflow_federated (TFF) 操作处理的是联邦值；
  • 每个联邦值都有一个联邦类型，联邦类型包括联邦数据成员类型 (如 tf.float32) 和联邦数据部署位置 (如 tff.CLIENTS)，另外，联邦类型还有一个属性 all_equal 查看客户端中的数据类型是否全部相同；
  • 联邦值可以被移动（客户端–>服务端），这必须通过 @tff.federated_computation 和一个联邦类型完成；
  • 传入 @tff.tf_computation 修饰符的参数类型只能是SequenceType, NamedTupleType 和 TensorType中的一种，从 @tff.tf_computation 修饰的函数的 type signatures 中只能看出数据成员类型的变化；
  • 传入 @tff.federated_computation 修饰符的参数类型可以带联邦数据部署位置，也可以只有数据成员类型；
了解本专栏 订阅专栏 解锁全文
【pytorch】FL联邦学习 数据集的划分+non-iid数据集的划分
学渣的博客
02-27 2万+
torchvision.datasets里的数据集都是整一个的，尤其在联邦学习中，我们需要划分不同的数据集给不同的参与者，如何将torchvision中的数据集划分成为了联邦学习中的重大挑战。在联邦学习场景下，各方的数据理应不为同分布，即不满足iid，因此在模拟时不能随机进行数据分配，应该适当调整下发给各client的数据分布。类的数据，其他数据分布都等概率，实际运用中其实可以没有必要规定等概率，仅限定 第。随机分配样本，返回的是每个client的索引。类数据出现的概率就好了。唯一的缺点是 除了第。
联邦学习（二）：卷积神经网络通过底层 API 实现 FedAvg 联邦算法
cocofisher的博客
04-20 1526
代码实现 1、导入需要的库 import collections import numpy as np import tensorflow as tf import tensorflow_federated as tff import nest_asyncio nest_asyncio.apply() tff.framework.set_default_context(tff.test.ReferenceExecutor()) # 防止 RuntimeError 问题 2、导入并处理数据 mnis
EMNIST:使用EMNIST数据集对单词进行分类和预测
04-30
恩尼斯 由@ shubhammor0403开发 使用EMNIST数据集对单词进行分类和预测 在Android应用程序中此模型的实现可在以下位置找到： 描述 该项目使用深度学习和计算机视觉的概念，为传统的手写识别技术提供了一种新的解决方案。 已使用了称为Emnist数据集的Mnist位数数据集的扩展。 它包含62个班级，每个班级都有0-9位数字和AZ字符。 已经创建了一个Android应用程序，用于检测手写文本并将其使用卷积神经网络（缩写为CNN）将其转换为数字形式，以进行文本分类和检测。 在此之前，我们对数据集进行了预处理，并对其应用了各种过滤器。 其中包括两个单独的Jupyter文件。 modeltrain.ipynb包含模型的创建和训练，而segment.ipynb包含使用创建的模型对单词的预测。 环境 Python蟒 张量流 凯拉斯 脾气暴躁的 Matplotlib Openc
emnist：使用卷积神经网络对EMNIST数字进行分类
02-04
emnist：使用卷积神经网络对EMNIST数字进行分类
常见用于联邦学习的数据集【FL】【Datasets】
eternity_memory的博客
08-04 1699
每个文件存储了一部分训练数据，共5个批次（batches），每个批次包含了 10,000 张 32x32 像素的彩色图像。这是一个与MNIST类似的图像数据集，但包含了各种时尚产品的图像，用于服装分类任务。：文件还包含了每个类别的索引，这些索引与训练数据和测试数据中的标签值相对应。：文件中包含了数据集中所有类别的名称。这些名称对应于图像数据中的标签，帮助将模型预测的数字标签与实际类别名称进行匹配。：CIFAR-10包含60,000张32x32像素的彩色图像，分为10个类别，每个类别有6,000张图像。
联邦学习(Federated Learning)原理与代码实战案例讲解
AI天才研究院
08-04 501
联邦学习(Federated Learning)原理与代码实战案例讲解 1.背景介绍 1.1 数据隐私保护的挑战 在当今数据驱动的世界中,海量数据的收集和利用已成为推动人工智能(AI)和机器学习(ML)算
联邦学习中使用的符合MNIST数据集的训练模型代码
03-19
模型定义方面，需要构建一个适用于MNIST的卷积神经网络（CNN）或简单的多层感知机（MLP）。例如，使用tf.keras.Sequential创建模型，然后通过TFF的tff.learning.from_keras_model将其转换为联邦学习模型。 训练循环...
AI原生应用与联邦学习：构建智能未来的新基石
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
05-01 1034
为什么说“AI原生应用”是区别于传统应用的“智能新物种”？联邦学习如何在不泄露隐私的前提下，让数据“隔空合作”训练AI模型？我们将覆盖技术原理、实战案例、应用场景及未来趋势，适合对AI技术感兴趣的开发者、产品经理及普通用户阅读。本文将从“生活故事”引出概念，逐步拆解AI原生应用与联邦学习的核心原理，通过代码案例展示技术落地，最后展望二者如何共同推动智能社会发展。AI原生应用：从设计初期就以AI能力为核心的应用，像“智能机”一样天生智能；联邦学习。
揭秘AI原生应用领域联邦学习的高效算法
最新发布
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
05-11 1277
本文旨在为读者提供联邦学习在AI原生应用领域的全面技术解析，特别关注其高效算法的实现原理和优化方法。我们将覆盖从基础概念到前沿技术的完整知识体系。文章将从联邦学习的基本概念入手，逐步深入到核心算法原理、数学模型、实际应用案例以及未来发展趋势，为读者构建完整的知识框架。联邦学习(Federated Learning)：一种分布式机器学习方法，允许多个设备或服务器在本地数据上训练模型，而无需共享原始数据。AI原生应用(AI-Native Applications)
联邦EMNIST数据集 (FEMNIST)
jasonso97的博客
01-04 7345
Federated Extended MNIST(FEMNIST) 数据集简介
EMNIST手写体数据集
12-23
共分为两部分，一部分是原始的EMNIST数据集，另一部分是已经解析为png格式并分类的Emnist_letters图片数据集
英文字符数据集(EMNIST,图片形式).zip
12-22
从EMNIST英文数据集中导出图片，并将其归成26个子文件夹，为26个字母A-Z，大小写字母在1类中，一共12万余张灰度图片，可供研究者使用。
emnist-csv.rar
06-20
Emnist数据集（Mnist数据集的扩展形式，包括A-Z大小写字母，0-9阿拉伯数字），csv格式，可以直接用pandas读取，训练集和测试集都有，标签自带，py程序里有数据及解释，解压并修改文件路径就可以用。
EMNIST：旨在探索CNN和RCNN在对EMNIST数据集进行分类方面的有效性的项目
02-05
恩尼斯 由@coopss开发 描述 该项目旨在探索卷积神经网络（CNN）的特性，并了解它们与递归卷积神经网络（RCNN）的比较。 这是受到我阅读的启发，该详细介绍了RCNN在对象识别中的效果，甚至表现出与CNN相对较少的参数。 除了探索CNN / RCNN有效性，我建立了一个简单的接口，以测试更具挑战的数据集（而不是在） 当前实施 多栈CNN Web小程序测试环境 兼容触摸屏 当字母占画布的大部分时，效果最佳 读入.mat文件 当前正在对培训（直接下载链接） 查看以获取更多信息 去做 用新的webapp更新gif 训练更多模型 神经网络 优化超参数 在输入中添加噪声（高斯或类似）图层，以
FedPAQ-MNIST-实施：使用不同实验参数的FedPAQ实施。 我们将研究方法（r（要选择的客户数量），t（本地时期）和s（量化级别））的不同变化。
02-15
FedPAQ-MNIST实现 使用不同的实验参数实现FedPAQ。 我们将研究方法（r（要选择的客户数量），t（本地时期）和精度（量化级别））的不同变化。 在这里，我们清楚地了解了local epochs在1和root（T）之间（此处为10）的重要性。 我们可以看到，最佳local epoch是3 ，它是最接近的根（10），同时，当比较1和5时，我们看到1具有更好的性能，因此具有学习潜力。 因此，在实验上支持理想的局部历元数应在1到root(T) （或root（10）〜3）之间的主张。 至于r的值，在此实现中，我使用了相对于客户总数的比率。 这样做是为了更容易理解。 我们也看到在加大倾斜r如r增加，从0.5到1 。 FedPAQ声称理想性能将由r = 100%得到支持。 最后，此处以形式精度启用量化，以使初学者和非编码人员都可以理解。 这仍然是由FedPAQ与问候量化等级（要求支持s
利用基于tensorflow的卷积神经网络训练模型时，引用Emnist数据集或者是自己制作的类似于mnist的数据集
yexu20190327的博客
04-20 6008
做基于tensorflow的手写英文字母识别时，一开始没有找到手写英文字母的数据集，便自己做了一个。后来找到了EMNIST，发现不管是哪个都没法引用到自己的代码中进行卷积神经网络的训练，研究了几天终于成功了，特来分享下 使用mnist数据集时，大家都清楚，引用了源文件input_data.read_data_sets函数，这个函数的定义是在mnist.py原函数中，这个函数的大概意思是说，检查你给...
EMNIST数据集简介
热门推荐
Chris_zhangrx的博客
01-16 2万+
后期将更新对此数据集处理的代码 文章链接: EMNIST: an extension of MNIST to handwritten letters 下载链接： [Download] 下面对 EMNIST 做一个简单的介绍。 NIST 与 MNIST NIST 全称为 NIST Speical Database 19,全数据集包含了 80 多万张图片，MNIST 则是 NIST 数据集的缩减版...
Emnist 数据集百度云下载
Rocklee12138的博客
04-07 2524
由于Emnist数据集原地址在外网，下载速度实在太慢了 所以折腾了好久才成功 故在此附上百度云链接:https://pan.baidu.com/s/1UcNxuqU9sRIOc16rcq6Czg 密码:x1bm
手写字母识别 深度学习 pytorch 线性层 EMNIST数据集 CUDA GPU训练 可使用图片测试 可视化 源代码 详细注释
ak49的博客
10-11 1620
手写字母识别 深度学习 pytorch 线性层 EMNIST数据集 CUDA GPU训练 可使用图片测试 可视化 源代码 详细注释
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

cofisher

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值