Delete project_stages.py

project_stages.py

@@ -1,116 +0,0 @@
-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)
-        """
-    )