File size: 7,601 Bytes
8136541 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 |
import argparse
import flwr as fl
import torch
import json
import numpy as np
from collections import OrderedDict
from pathlib import Path
from datetime import datetime
from utils import Net, load_data, train, test
# Argumentos da linha de comando para identificar o cliente
parser = argparse.ArgumentParser(description="Flower Client")
parser.add_argument("--client-id", type=int, required=True, help="ID do Cliente (1, 2, ou 3)")
parser.add_argument("--server-address", type=str, default="127.0.0.1:8080", help="Endereço do servidor")
parser.add_argument(
"--prediction-length",
type=int,
default=10,
help="Define quantos passos no futuro o modelo deve prever."
)
# Checa se a GPU está disponível
DEVICE = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
class MetricsTracker:
"""Classe para rastrear e salvar métricas locais do cliente."""
def __init__(self, client_id):
self.client_id = client_id
self.metrics = {
"client_id": client_id,
"rounds": [],
"train_losses": [],
"eval_losses": [],
"timestamps": [],
"model_updates": []
}
self.output_dir = Path(f"metrics/client_{client_id}")
self.output_dir.mkdir(parents=True, exist_ok=True)
def add_train_metrics(self, round_num, loss):
"""Adiciona métricas de treinamento."""
self.metrics["rounds"].append(round_num)
self.metrics["train_losses"].append(float(loss))
self.metrics["timestamps"].append(datetime.now().isoformat())
def add_eval_metrics(self, loss):
"""Adiciona métricas de avaliação."""
self.metrics["eval_losses"].append(float(loss))
def add_model_update(self, params_diff):
"""Rastreia mudanças nos parâmetros do modelo."""
self.metrics["model_updates"].append(float(params_diff))
def save_metrics(self):
"""Salva as métricas em arquivo JSON."""
output_file = self.output_dir / f"metrics_history.json"
with open(output_file, 'w') as f:
json.dump(self.metrics, f, indent=2)
print(f"[Cliente {self.client_id}] Métricas salvas em {output_file}")
def save_checkpoint(self, model, round_num):
"""Salva checkpoint do modelo."""
checkpoint_file = self.output_dir / f"model_round_{round_num}.pt"
torch.save(model.state_dict(), checkpoint_file)
print(f"[Cliente {self.client_id}] Checkpoint salvo: {checkpoint_file}")
def calculate_params_diff(old_params, new_params):
"""Calcula a diferença entre parâmetros antigos e novos."""
if old_params is None:
return 0.0
total_diff = 0.0
for old, new in zip(old_params, new_params):
diff = np.mean(np.abs(old - new))
total_diff += diff
return total_diff / len(old_params)
def main():
args = parser.parse_args()
# Carrega dados específicos deste cliente
print(f"Carregando dados para o cliente {args.client_id}...")
print(f"Dispositivo: {DEVICE}")
trainloader, testloader, num_features = load_data(
client_id=args.client_id,
prediction_length=args.prediction_length
)
print(f"Dados carregados: {len(trainloader)} batches de treino, {len(testloader)} batches de teste")
# Instancia o modelo
print(f"Criando modelo LSTM para prever {args.prediction_length} passos.")
net = Net(
input_size=num_features,
hidden_size=50,
output_size=args.prediction_length
).to(DEVICE)
# Inicializa o rastreador de métricas
metrics_tracker = MetricsTracker(args.client_id)
# Implementação do cliente Flower
class FlClient(fl.client.NumPyClient):
def __init__(self):
self.round_num = 0
self.previous_params = None
def get_parameters(self, config):
"""Retorna os pesos do modelo local."""
return [val.cpu().numpy() for _, val in net.state_dict().items()]
def set_parameters(self, parameters):
"""Atualiza os pesos do modelo local com os do servidor."""
params_dict = zip(net.state_dict().keys(), parameters)
state_dict = OrderedDict({k: torch.tensor(v) for k, v in params_dict})
net.load_state_dict(state_dict, strict=True)
# Calcula a diferença entre parâmetros
if self.previous_params is not None:
params_diff = calculate_params_diff(self.previous_params, parameters)
metrics_tracker.add_model_update(params_diff)
self.previous_params = [p.copy() for p in parameters]
def fit(self, parameters, config):
"""Treina o modelo localmente e retorna a perda de treinamento."""
self.round_num += 1
print(f"\n[Cliente {args.client_id}] === Rodada {self.round_num} ===")
# Define os parâmetros recebidos do servidor
self.set_parameters(parameters)
# Treina o modelo
print(f"[Cliente {args.client_id}] Iniciando treinamento...")
avg_train_loss = train(net, trainloader, epochs=1, device=DEVICE)
# Registra métricas
metrics_tracker.add_train_metrics(self.round_num, avg_train_loss)
print(f"[Cliente {args.client_id}] Perda de treinamento local: {avg_train_loss:.6f}")
# Salva checkpoint a cada 5 rodadas
if self.round_num % 5 == 0:
metrics_tracker.save_checkpoint(net, self.round_num)
# Salva métricas
metrics_tracker.save_metrics()
return self.get_parameters(config={}), len(trainloader.dataset), {
"train_loss": avg_train_loss,
"client_id": args.client_id,
"round": self.round_num
}
def evaluate(self, parameters, config):
"""Avalia o modelo localmente."""
self.set_parameters(parameters)
print(f"[Cliente {args.client_id}] Avaliando modelo...")
loss, num_examples = test(net, testloader, device=DEVICE)
# Registra métricas de avaliação
metrics_tracker.add_eval_metrics(loss)
metrics_tracker.save_metrics()
print(f"[Cliente {args.client_id}] Perda de validação: {loss:.6f}")
return loss, num_examples, {
"loss": loss,
"client_id": args.client_id,
"round": self.round_num
}
# Inicia o cliente
print(f"\n{'='*50}")
print(f"Iniciando cliente {args.client_id}")
print(f"Conectando ao servidor em {args.server_address}")
print(f"Modelo: LSTM com {sum(p.numel() for p in net.parameters())} parâmetros")
print(f"{'='*50}\n")
try:
fl.client.start_client(
server_address=args.server_address,
client=FlClient().to_client(),
)
except Exception as e:
print(f"[Cliente {args.client_id}] Erro: {e}")
metrics_tracker.save_metrics()
finally:
print(f"\n[Cliente {args.client_id}] Finalizado. Métricas salvas em {metrics_tracker.output_dir}")
if __name__ == "__main__":
main() |