(四)微众Fate-横向联邦学习-预测

总目录
(一)联邦学习-入门初识
 (二)联邦学习-Fate单机部署
 (三)微众Fate-横向联邦学习实践-训练评估
 (四)微众Fate-横向联邦联邦-预测

上面通过训练得出模型home_lr_0，homo_lr_1,我们接下将基于上一章进行预测实践。

1. 获取训练模型信息

因为后面需要用到model_id以及model_version，我们需要通过命令行的方式读取。具体命令模板如下

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f job_config -j ${jobid} -r guest -p

${your_fate_install_path}： fate安装目录
-j :${jobid} ：任务ID
-r: 角色
-p： ${guest_partyid}：partyId
-o：文件数据路径

Dockre exec -it fate_python bash 进入fate容器
输入以下命令

python fate_flow/fate_flow_client.py -f job_config -j   202002280915402308774 -r guest -p 10000 -o examples/federatedml-1.x-examples/homo_logistic_regression

控制台输出相关信息如下：
在这里插入图片描述

进入输出目录，可看到输出的文件
在这里插入图片描述

dsl.json:与训练时候定义的dsl配置相对应。
runtime_conf.json:与训练时候定义的运行配置相对应。
Model_info.json：模型信息，包括model_id model_verison
train_runtime_conf.json:暂时没有看到相关资料，后续补充

2. 编写预测配置文件

使用文件examples/federatedml-1.x-examples/homo_logistic_regression/test_predict_conf.json

在这里插入图片描述

1. 发起人：指定发起人的角色和partyID，应与训练过程相同。
2. job_parameters：
work_mode：单机或者集群，它应与训练过程相同。
model_id \ model_version：##1中获取的信息匹配。
job_type：任务类型。分为train/predict 在这种情况下，它应该是“predict”。
3. 角色：指出所有角色的所有partyID，应与训练过程相同。

在这里插入图片描述

role_parameters:角色配置，guest使用homo_breast_guest数据进行预测，host使用homo_breast_host进行预测。

由于fate_python容器里面没有编辑软件我们输入以下命令下载一波

apt-get update
apt-get install vim

然后愉快地使用vi/vim命令编辑文件就行了。

3.开始预测

预测的模板命令如下：

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f submit_job -c ${predict_config}

${your_fate_install_path}： fate安装目录
-c:预测文件配置路径 ${predict_config}

控制台输入以下命令：

python fate_flow/fate_flow_client.py -f submit_job -c  examples/federatedml-1.x-examples/homo_logistic_regression/test_predict_conf.json

输出以下结果表示成功：
在这里插入图片描述

4. 查看预测结果

通过监控平台以及job_id查看预测情况

总体情况如下：

在这里插入图片描述

点击"view the job" 查看具体情况
先看这个图，这个图我们无法得知各个组件之间的输入输出关系。
在这里插入图片描述
因此我们还是需要看他的dsl，继续##1的查询命令

python fate_flow/fate_flow_client.py -f job_config -j   202002290746181106925 -r guest -p 10000 -o examples/federatedml-1.x-examples/homo_logistic_regression

查看输出目录的dsl.json，找到对应配置如下：

{
    "components": {
        "dataio_0": {
            "CodePath": "federatedml/util/data_io.py/DataIO",
            "input": {
                "data": {
                    "data": [
                        "args.eval_data"
                    ]
                },
                "model": [
                    "pipeline.dataio_0.dataio"
                ]
            },
            "module": "DataIO",
            "output": {
                "data": [
                    "train"
                ]
            }
        },
        "dataio_1": {
            "CodePath": "federatedml/util/data_io.py/DataIO",
            "input": {
                "data": {
                    "data": [
                        "args.eval_data"
                    ]
                }
            },
            "module": "DataIO",
            "output": {
                "data": [
                    "eval_data"
                ]
            }
        },
        "homo_lr_0": {
            "CodePath": "federatedml/linear_model/logistic_regression/homo_logsitic_regression/homo_lr_guest.py/HomoLRGuest",
            "input": {
                "data": {
                    "eval_data": [
                        "dataio_0.train"
                    ]
                },
                "model": [
                    "pipeline.homo_lr_0.homolr"
                ]
            },
            "module": "HomoLR",
            "output": {
                "data": [
                    "train"
                ]
            }
        },
        "homo_lr_1": {
            "CodePath": "federatedml/linear_model/logistic_regression/homo_logsitic_regression/homo_lr_guest.py/HomoLRGuest",
            "input": {
                "data": {
                    "eval_data": [
                        "dataio_1.eval_data"
                    ]
                },
                "model": [
                    "pipeline.homo_lr_1.homolr"
                ]
            },
            "module": "HomoLR",
            "output": {
                "data": [
                    "predict"
                ]
            }
        }
    }
}

查看data_output，对别label与predict_result

在这里插入图片描述

5. 获取所有预测结果

Fate_board默认查看100条，我们想要获取全部数据可以通过命令行实现。

模板命令如下：

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f component_output_data -j ${job_id} -p ${party_id} -r ${role} -cpn ${component_name} -o ${predict_result_output_dir}

${job_id}: 预测任务ID
${party_id}: 用户partyID
${role}: 角色
${component_name}: 获取预测结果的组件
${predict_result_output_dir}: 输出目录

5.1 获取guest所有预测结果

控制台输入以下命令：

homo_lr_0预测结果：

python fate_flow/fate_flow_client.py -f component_output_data -j 202002290746181106925 -p  10000 -r guest -cpn  homo_lr_0 -o examples/federatedml-1.x-examples/homo_logistic_regression/predict

homo_lr_1预测结果：

python fate_flow/fate_flow_client.py -f component_output_data -j 202002290746181106925 -p  10000 -r guest -cpn  homo_lr_1 -o examples/federatedml-1.x-examples/homo_logistic_regression/predict

控制台输出：
在这里插入图片描述