模型训练yaml详细配置项

MindSpore-Federated纵向联邦学习框架采用yaml配置文件，配置纵向联邦学习模型的训练与推理流程，包括网络、优化器、算子等模块的输入/输出和超参数信息。yaml配置文件的详细信息参见下表：

功能分类	配置参数	参数类型	取值范围	是否必选
role	role	str	‘leader’ or ‘follower’	是
model	train_net	dict		是
	train_net.name	str		否
	train_net.inputs	list		是
	train_net.inputs.name	str		是
	train_net.inputs.source	str	‘remote’ or ‘local’	是
	train_net.inputs.compress_type	str	‘min_max’ or ‘bit_pack’ or ‘no_compress’	否
	train_net.inputs.bit_num	int	[1, 8]	否
	train_net.outputs	list		是
	train_net.outputs.name	str		是
	train_net.outputs.destination	str	‘remote’ or ‘local’	是
	train_net.outputs.compress_type	str	‘min_max’ or ‘bit_pack’ or ‘no_compress’	否
	train_net.outputs.bit_num	int	[1, 8]	否
	eval_net	dict		是
	eval_net.name	str		否
	eval_net.inputs	list		是
	eval_net.inputs.name	str		是
	eval_net.inputs.source	str	‘remote’ or ‘local’	是
	eval_net.inputs.compress_type	str	‘min_max’ or ‘bit_pack’ or ‘no_compress’	否
	eval_net.inputs.bit_num	int	[1, 8]	否
	eval_net.outputs	list		是
	eval_net.output.name	str		是
	eval_net.output.destination	str	‘remote’ or ‘local’	是
	eval_net.outputs.compress_type	str	‘min_max’ or ‘bit_pack’ or ‘no_compress’	否
	eval_net.outputs.bit_num	int	[1, 8]	否
	eval_net.gt	str		否
opts	type	str	mindspore.nn.optim内定义的优化器名称	是
	grads	list		是
	grads.inputs	list		是
	grads.inputs.name	str		是
	grads.output	dict		是
	grads.output.name	str		是
	grads.params	list		否
	grads.params.name	str		否
	grads.sens	union(float, int, str)		否
	params	list		否
	params.name	str		否
	hyper_parameters	dict		否
grad_scalers	inputs	list		否
	inputs.name	str		否
	output	dict		否
	output.name	str		否
	sens	union(float, int, str)		否
dataset	name	str		否
	features	list		否
	labels	list		否
hyper_parameters	epochs	int		否
	batch_size	int		否
	is_eval	bool		否
privacy	label_dp	dict		否
	label_dp.eps	float		否
ckpt_path		str		否

其中：

• role (str) - 联邦学习参与方角色，必须是”leader”或”follower”。默认值：””。

• train_net (dict) - 描述训练网络输入、输出等信息的数据结构。默认值：””。

• train_net.name (str) - 训练网络名称标识符。默认值：””。

• train_net.inputs (list) - 训练网络输入Tensor列表，每个元素均为描述一个输入Tensor的字典。元素的排列顺序和名称，必须与MindSpore建模的训练网络（nn.Cell）construct方法的输入Tensor顺序和名称保持一致。默认值：[]。

• train_net.inputs.name (str) - 训练网络输入Tensor名称，必须与MindSpore建模的训练网络（nn.Cell）的输入Tensor名称保持一致。默认值：””。

• train_net.inputs.source(str) - 训练网络输入Tensor的数据来源，必须是”remote”或”local”，”remote”代表数据来源于其它参与方的网络传输，”local”代表数据来源于本地。默认值： “local”

• train_net.inputs.compress_type(str) - 压缩类型，必须是”min_max”或”bit_pack”或”no_compress”，”min_max”代表采用最小最大量化通信压缩方法，”bit_pack”代表采用比特打包通信压缩方法，”no_compress”代表不采用通信压缩方法。

• train_net.inputs.bit_num(int) - 通信压缩算法中的比特数。

• train_net.outputs - (list) - 训练网络输出Tensor列表，每个元素均为描述一个输出Tensor的字典。元素的排列顺序和名称，必须与MindSpore建模的训练网络（nn.Cell）的construct方法的返回值Tensor顺序和名称保持一致。默认值：[]。

• train_net.outputs.name (str) - 训练网络输出Tensor名称，必须与MindSpore建模的训练网络（nn.Cell）的输出Tensor名称保持一致。默认值：””。

• train_net.outputs.destination(str) - 训练网络输出Tensor的数据去向，必须是”remote”或”local”，”remote”代表数据将通过网络传输给其它参与方，”local”代表数据本地使用，不进行网络传输。默认值： “local”。

• train_net.outputs.compress_type(str) - 压缩类型，必须是”min_max”或”bit_pack”或”no_compress”，”min_max”代表采用最小最大量化通信压缩方法，”bit_pack”代表采用比特打包通信压缩方法，”no_compress”代表不采用通信压缩方法。

• train_net.outputs.bit_num(int) - 通信压缩算法中的比特数。

• eval_net (dict) - 描述评估网络输入、输出等信息的数据结构。默认值：””。

• eval_net.name (str) - 评估网络名称标识符。默认值：””。

• eval_net.inputs (list) - 评估网络输入Tensor列表，每个元素均为描述一个输入Tensor的字典。元素的排列顺序和名称，必须与MindSpore建模的评估网络（nn.Cell）construct方法的输入Tensor顺序和名称保持一致。默认值：[]。

• eval_net.inputs.name (str) - 评估网络输入Tensor名称，必须与MindSpore建模的训练网络（nn.Cell）的输入Tensor名称保持一致。默认值：””。

• eval_net.inputs.source(str) - 评估网络输入Tensor的数据来源，必须是”remote”或”local”，”remote”代表数据来源于其它参与方的网络传输，”local”代表数据来源于本地。默认值： “local”。

• eval_net.inputs.compress_type(str) - 压缩类型，必须是”min_max”或”bit_pack”或”no_compress”，”min_max”代表采用最小最大量化通信压缩方法，”bit_pack”代表采用比特打包通信压缩方法，”no_compress”代表不采用通信压缩方法。

• eval_net.inputs.bit_num(int) - 通信压缩算法中的比特数。

• eval_net.outputs - (list) - 评估网络输出Tensor列表，每个元素均为描述一个输出Tensor的字典。元素的排列顺序和名称，必须与MindSpore建模的评估网络（nn.Cell）的construct方法的返回值Tensor顺序和名称保持一致。默认值：[]。

• eval_net.outputs.name (str) - 评估网络输出Tensor名称，必须与MindSpore建模的评估网络（nn.Cell）的输出Tensor名称保持一致。默认值：””。

• eval_net.outputs.destination(str) - 评估网络输出Tensor的数据去向，必须是”remote”或”local”，”remote”代表数据将通过网络传输给其它参与方，”local”代表数据本地使用，不进行网络传输。默认值： “local”。

• eval_net.outputs.compress_type(str) - 压缩类型，必须是”min_max”或”bit_pack”或”no_compress”，”min_max”代表采用最小最大量化通信压缩方法，”bit_pack”代表采用比特打包通信压缩方法，”no_compress”代表不采用通信压缩方法。默认值： “min_max”。

• eval_net.outputs.bit_num(int) - 通信压缩算法中的比特数。

• eval_net.gt(str) - 评估网络输出对应的ground truth标签名称。默认值： “”。

• type (str) - 优化器类型，需采用mindspore.nn.optim内定义的优化器，如”Adam”，参考优化器。默认值：””。

• grads (list) - 优化器关联的GradOperation列表，每个元素均为描述一个GradOperation算子的字典。默认值：[]。

• grads.inputs (list) - GradOperation算子的输入Tensor列表，每个元素均为描述一个输入Tensor的字典。默认值：[]。

• grads.inputs.name (str) - GradOperation算子的输入Tensor名称。默认值：””。

• grads.output (dict) - 描述GradOperation算子对应的网络输出Tensor的字典。默认值：{}。

• grads.output.name (str) - GradOperation算子对应的网络输出Tensor名称。默认值：””。

• grads.params (list) - GradOperation算子计算梯度值的训练网络参数列表，每个元素对应一个网络参数名称。如果为空，则将计算关联优化器所更新参数的梯度值。默认值：[]。

• grads.params.name (str) - GradOperation算子计算梯度值的训练网络参数名称。默认值：””。

• grads.sens (union(float, int, str)) - GradOperation算子计算网络参数梯度的加权系数，对应GradOperation算子的”灵敏度”（参考mindspore.ops.GradOperation）。如果是float或int类型，则采用常量作为加权系数；如果是str类型，则从其它参与方经网络传输的加权系数中，解析名称与其对应的Tensor作为加权系数。默认值：””。

• params (list) - 优化器根据梯度计算结果，更新的训练网络参数列表，每个元素对应一个网络参数名称。如果为空，则优化器将更新训练为例的所有可训练参数。默认值：[]。

• params.name (str) - 优化器更新的训练网络的参数名称。默认值：””。

• hyper_parameters (dict) - 优化器超参数字典，参考type所指定的MindSpore优化器算子的超参数。默认值：{}。

• grad_scalers.inputs (list) - 用于计算梯度加权系数的GradOperation算子的输入Tensor列表，每个元素均为描述一个输入Tensor的字典。默认值：[]。

• grad_scalers.inputs.name (str) - 用于计算梯度加权系数的GradOperation算子的输入Tensor名称。默认值：””。

• grad_scalers.output (list) - 描述用于计算梯度加权系数的GradOperation算子对应的网络输出Tensor的字典.默认值：{}。

• grad_scalers.output.name (str) - 描述用于计算梯度加权系数的GradOperation算子对应的网络输出Tensor名称。默认值：””。

• grad_scalers.sens (str) - 描述用于计算梯度加权系数的GradOperation算子计算网络参数梯度的加权系数，对应GradOperation算子的”灵敏度”（参考mindspore.ops.GradOperation）。如果是float或int类型，则采用常量作为加权系数；如果是str类型，则从其它参与方经网络传输的数据中，解析名称与其对应的Tensor作为加权系数。默认值：””。

• dataset.name (str) - 数据集名称。默认值：””。

• dataset.features (list) - 数据集特征列表，每个元素均为一个str类型的特征名称。默认值：[]。

• dataset.labels (list) - 数据集标签列表，每个元素均为一个str类型的标签名称。默认值：[]。

• epochs (int) - 训练的epoch数。默认值：1。

• batch_size (int) - 训练的数据batch size。默认值：1。

• is_eval (bool) - 训练完成后是否执行评估。默认值：False。

• label_dp (dict) - 差分隐私机制的配置参数。默认值：{}。

• label_dp.eps (float) - 差分隐私机制的eps参数。默认值：1.0。

• ckpt_path (str) - 保存训练网络checkpoint文件的路径。默认值：”./checkpoints”。

以本项目所提供的纵向联邦学习模型训练 - Wide&Deep推荐应用为例，其基于Wide&Deep模型和Criteo数据集，进行纵向联邦学习模型训练，其纵向联邦Leader参与方的yaml如下：

role: leader
model: # define the net of vFL party
  train_net:
    name: leader_loss_net
    inputs:
      - name: id_hldr
        source: local
      - name: wt_hldr
        source: local
      - name: wide_embedding
        source: remote
        compress_type: min_max
        bit_num: 6
      - name: deep_embedding
        source: remote
        compress_type: min_max
        bit_num: 6
      - name: label
        source: local
    outputs:
      - name: out
        destination: local
      - name: wide_loss
        destination: local
      - name: deep_loss
        destination: local
  eval_net:
    name: leader_eval_net
    inputs:
      - name: id_hldr
        source: local
      - name: wt_hldr
        source: local
      - name: wide_embedding
        source: remote
        compress_type: min_max
        bit_num: 6
      - name: deep_embedding
        source: remote
        compress_type: min_max
        bit_num: 6
    outputs:
      - name: logits
        destination: local
      - name: pred_probs
        destination: local
    gt: label
opts: # define ms optimizer
  - type: FTRL
    grads: # define ms grad operations
      - inputs:
          - name: id_hldr
          - name: wt_hldr
          - name: wide_embedding
          - name: deep_embedding
          - name: label
        output:
          name: wide_loss
        sens: 1024.0
        # if not specify params, inherit params of optimizer
    params:  # if not specify params, process all trainable params
      - name: wide
    hyper_parameters:
      learning_rate: 5.e-2
      l1: 1.e-8
      l2: 1.e-8
      initial_accum: 1.0
      loss_scale: 1024.0
  - type: Adam
    grads:
      - inputs:
          - name: id_hldr
          - name: wt_hldr
          - name: wide_embedding
          - name: deep_embedding
          - name: label
        output:
          name: deep_loss
        sens: 1024.0
    params:
      - name: deep
      - name: dense
    hyper_parameters:
      learning_rate: 3.5e-4
      eps: 1.e-8
      loss_scale: 1024.0
grad_scalers: # define the grad scale calculator
  - inputs:
      - name: wide_embedding
      - name: deep_embedding
    output:
      name: wide_loss
    sens: 1024.0
  - inputs:
      - name: wide_embedding
      - name: deep_embedding
    output:
      name: deep_loss
    sens: 1024.0
dataset:
  name: criteo
  features:
    - id_hldr
    - wt_hldr
  labels:
    - ctr
hyper_parameters:
  epochs: 20
  batch_size: 16000
  is_eval: True
ckpt_path: './checkpoints'