Spaces:
Sleeping
Sleeping
File size: 4,295 Bytes
9f14ff7 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 |
import streamlit as st
import matplotlib.pyplot as plt
import networkx as nx
st.set_page_config(page_title="APRENDIZADO FEDERADO PARA PREVISÃO DE DEMANDA ENERGÉTICA", page_icon=":bar_chart:", layout="wide", initial_sidebar_state="auto")
st.markdown("<h2 style='text-align: center;'>FL com Flower </h2>", unsafe_allow_html=True)
st.sidebar.image("images/logo_inmetro.jpg", width=200)
st.sidebar.title("FL Inmetro")
secao = st.sidebar.radio("Ir para:", ["🏠 Início", "📚 Artigos", "ℹ️ Sobre"])
if secao == "🏠 Início":
intro, agregamentos, clients_server,FL,sainda, integracao_rpi = st.tabs(['Introducão', 'Métodos de Agregação',
'Criando o Cliente e Servidor', 'Modelo', 'Saida', 'Integração com RPI'])
with intro:
st.title("Aprendizado Federado")
col1, col2 = st.columns(2)
with col1:
# Introdução
st.markdown("""
Este projeto explora o aprendizado federado utilizando o **Flower**.
Os principais passos incluem:
- Criar código básico de FL com Flower
- Configurar clientes e servidor
- Testar na base CIFAR-10
""")
with col2:
# Criando um fluxograma do processo
st.markdown("""
1. **Aprender FL com Flower**: Estudo e configuração inicial.
2. **Criar Clientes e Servidor**: Implementação prática do FL.
3. **Testar na base CIFAR-10**: Avaliação do modelo treinado.
4. **Analisar Resultados**: Verificação do desempenho do modelo.
""")
with agregamentos:
col1, col2 = st.columns(2)
with col1:
st.subheader(
"""
Federated Averaging (FedAvg)
"""
)
st.image("./images/fedavg.png")
st.markdown("[McMaham et al. 2023. Communication-Efficient Learning of Deep Networks from Decentralized Data](https://arxiv.org/pdf/1602.05629)")
st.markdown("""
- Normalmente, a taxa de convergência do FEDAVG piora com a heterogeneidade do cliente.
-
""")
with col2:
st.subheader("FedAdagrad, FedYogi, FedAdam")
st.image('./images/FedAdaGrad-Yogi-Adam.png')
st.markdown("[Reddi et al. DAPTIVE FEDERATED OPTIMIZATION](https://arxiv.org/pdf/2003.00295)")
with clients_server:
st.subheader("1. Criar Código de FL com Flower")
st.code("""
import flwr as fl
import tensorflow as tf
# Definição do modelo e cliente FLwr
class Client(fl.client.NumPyClient):
def get_parameters(self, config):
return model.get_weights()
def fit(self, parameters, config):
model.set_weights(parameters)
model.fit(X_train, y_train, epochs=1)
return model.get_weights(), len(X_train), {}
fl.client.start_numpy_client(server_address="127.0.0.1:8080", client=Client())
""", language='python')
st.subheader("2. Criar e Gerenciar Clientes e Servidor")
st.code("""
# Servidor FLwr
import flwr as fl
fl.server.start_server(config=fl.server.ServerConfig(num_rounds=3))
""", language='python')
st.subheader("3. Testar na Base CIFAR-10")
st.markdown("Carregando e treinando modelo na base CIFAR-10...")
if secao == "ℹ️ Sobre":
st.markdown(
"""
Este é um projeto para previsão de demanda de combustível utilizando aprendizado federado.
Integrantes:
- João
- Erick
- José Wilson
"""
)
if secao == "📚 Artigos":
st.markdown(
"""
### Referências
- FedAVG
[McMaham et al. 2023. Communication-Efficient Learning of Deep Networks from Decentralized Data](https://arxiv.org/pdf/1602.05629)
- ADAGRAD, ADAM, YOGI
[Reddi et al. DAPTIVE FEDERATED OPTIMIZATION](https://arxiv.org/pdf/2003.00295)
"""
)
|