要运行上述联邦学习系统中的客户端和服务端代码，您可以选择使用多个 Jupyter Notebook 或者通过命令行直接运行 Python 脚本。以下是详细的解决方案和步骤。 --- ### **运行方式：使用多个 Jupyter Notebook** #### **1. 服务端代码** 将服务端代码保存为一个单独的 `.py` 文件（例如 `server.py`），并在一个 Jupyter Notebook 中运行。 ```python # server.py import flwr as fl from unet_model import UNet def start_server(): strategy = fl.server.strategy.FedAvg( fraction_fit=0.3, fraction_evaluate=0.3, min_available_clients=3, on_fit_config_fn=lambda round: {"lr": 0.001}, evaluate_metrics_aggregation_fn=weighted_average, ) fl.server.start_server(server_address="localhost:8080", config={"num_rounds": 5}, strategy=strategy) if __name__ == "__main__": start_server() ``` **解释**： - 服务端负责聚合来自客户端的模型参数，并更新全局模型。 - 在 Jupyter Notebook 中运行此文件时，服务端会监听指定的地址（`localhost:8080`）。 #### **2. 客户端代码** 将客户端代码保存为另一个 `.py` 文件（例如 `client.py`），并在多个 Jupyter Notebook 中运行。每个 Jupyter Notebook 对应一个客户端。 ```python # client.py import flwr as fl from unet_model import UNet from pruning_strategy import structured_pruning class FlowerClient(fl.client.NumPyClient): def __init__(self, model, trainloader, valloader): self.model = model self.trainloader = trainloader self.valloader = valloader def get_parameters(self, config): return [val.cpu().numpy() for _, val in self.model.state_dict().items()] def set_parameters(self, parameters): params_dict = zip(self.model.state_dict().keys(), parameters) state_dict = {k: torch.tensor(v) for k, v in params_dict} self.model.load_state_dict(state_dict, strict=True) def fit(self, parameters, config): self.set_parameters(parameters) train(self.model, self.trainloader, epochs=1) return self.get_parameters(config={}), len(self.trainloader.dataset), {} def evaluate(self, parameters, config): self.set_parameters(parameters) loss, accuracy = test(self.model, self.valloader) return float(loss), len(self.valloader.dataset), {"accuracy": float(accuracy)} if __name__ == "__main__": model = UNet() # 加载数据集 trainloader, valloader = load_data() client = FlowerClient(model, trainloader, valloader) fl.client.start_numpy_client("localhost:8080", client) ``` **解释**： - 每个客户端从服务端接收全局模型参数，进行本地训练后，将更新后的参数发送回服务端。 - 在多个 Jupyter Notebook 中运行此文件时，每个 Notebook 对应一个独立的客户端。 --- ### **运行方式：通过命令行运行** 如果您不想使用 Jupyter Notebook，可以直接通过命令行运行 Python 脚本。 #### **1. 启动服务端** 在终端中运行以下命令以启动服务端： ```bash python server.py ``` #### **2. 启动多个客户端** 在多个终端中分别运行以下命令以启动客户端： ```bash python client.py ``` **注意**： - 确保每个客户端的数据集不同，以便模拟真实的分布式环境。 - 如果您有 GPU，可以在代码中添加设备分配逻辑（例如 `device = torch.device("cuda" if torch.cuda.is_available() else "cpu")`）。 --- ### **如何监控内存使用情况** 为了防止内核死机，您可以使用以下方法监控内存使用情况： #### **1. 使用 `psutil` 库** 安装 `psutil` 库并监控内存使用情况： ```python # memory_monitor.py import psutil def monitor_memory(): memory_info = psutil.virtual_memory() print(f"Memory Usage: {memory_info.percent}%") print(f"Available Memory: {memory_info.available / (1024 ** 3):.2f} GB") if __name__ == "__main__": monitor_memory() ``` **解释**： - `psutil.virtual_memory()` 返回系统的内存使用情况。 - 您可以定期调用此函数以监控内存使用情况。 #### **2. 设置 Flower 的资源限制** 在 Flower 配置中设置客户端的最大资源限制，避免内存溢出。 --- ###