类型规范和“to_representation_for_type”中的值之间的元素数量不匹配。类型规范有 2 个元素，值有 5 个元素

Question

我使用tensorflow fedprox来实现联邦学习。(tff.learning.algorithms.build_unweighted_fed_prox)

def model_fn():
    keras_model = create_keras_model()
    return tff.learning.from_keras_model(
        keras_model,
        input_spec=preprocessed_example_dataset.element_spec,
        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
    )

iterative_process = tff.learning.algorithms.build_unweighted_fed_prox(
    model_fn, 0.001,
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.001),
    server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0)
)

import nest_asyncio
nest_asyncio.apply()

state = iterative_process.initialize()

for round in range(3, 11):
    state = iterative_process.next(state.state, federated_train_data)
    print('round {:2d}, metrics={}'.format(round, state.metrics))

，训练结果是：

第3轮，'sparse_categorical_accuracy'= 0.6435834

第4轮，'sparse_categorical_accuracy'= 0.6955319

第5轮， 'sparse_categorical_accuracy'= 0.74295634

第 6 轮，'sparse_categorical_accuracy'= 0.78176934

第 7 轮，'sparse_categorical_accuracy'= 0.80838746

第 8 轮，'sparse_categorical_accuracy'= 0.8300672

第 9 轮， 'sparse_categorical_accuracy'= 0.8486338

round 10, 'sparse_categorical_accuracy', 0.86639416

---

但是当我想根据测试数据评估我的模型时，出现错误：

evaluation = tff.learning.build_federated_evaluation(model_fn)
test_metrics = evaluation(state.state, federated_test_data)

TypeError: Mismatched number of elements between type spec and value in `to_representation_for_type`. Type spec has 2 elements, value has 5.

如何修复它？

Answer 1

您的evaluation方法需要tff.learning.ModelWeights，但您提供的是整个状态，这是一个更大的结构，包括global_model_weights下的模型权重> 属性。因此，这可以工作：

test_metrics = evaluation(state.state.global_model_weights, federated_test_data)

---

旁注，将 iterative_process.next 的返回值分配给 Python 变量 state 可能会变得非常混乱，因为它包含程序的状态和指标，这会导致您使用 state.state