Upload 5 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+images/FedAdaGrad-Yogi-Adam.png filter=lfs diff=lfs merge=lfs -text

project_stages.py

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

requirements.txt

@@ -0,0 +1,3 @@
+streamlit
+matplotlib
+networkx