简介面向计算机相关专业学生与算法研究人员的联邦学习实战项目将横向联邦训练框架与高校学生成绩预测任务结合可用于毕业设计、课程设计或初期科研验证。项目基于Python实现包含FedProx、FedRep、Ditto、APFL、L2GD等多种联邦优化算法的完整源码及模型参数文件并配套7个CSV格式的样本与训练过程数据、1张混淆矩阵图便于对比不同聚合策略在成绩预测场景下的效果差异。资源共55个文件以py源码和pyc编译文件为主另含说明文档与可视化脚本压缩包整体仅2.25MB轻量易部署。通过Streamlit搭建的简易可视化平台可直接加载模型与数据进行交互式结果展示适合从零理解联邦学习的数据隔离训练流程。目前已有272人学习下载对于希望快速搭建联邦学习基线实验、开展成绩预测方向研究的读者具有直接参考价值。1. 联邦学习高校成绩预测这份源码包到底能解决什么问题做成绩预测的毕设最怕的不是模型跑不通而是导师追问「你的数据从哪来、隐私怎么处理」。这份基于联邦学习的高校学生成绩预测 python 源码把这个问题整套解掉了项目同时实现了 FedRep、FedProx、Scaffold、Ditto、L2GD、MTL、APFL 七种联邦算法配好了 CSV 样本数据和训练结果还用 Streamlit 搭了可视化平台。核心思路是每个客户端只接触部分学生数据参数聚合完成成绩预测原始记录不出本地。适合计科、大数据、人工智能专业做毕设或课程设计也适合想快速看懂联邦学习工程代码的开发者。2. 联邦学习的选型逻辑为什么成绩预测不能集中训练一把梭2.1 集中式训练的隐私矛盾与联邦拆解思路学生成绩在高校里属于典型敏感数据学院、教务处、学工系统各存一份字段还不一致有的表里有出勤和作业分有的只有期末成绩。传统做法是把所有 CSV 合并到一台服务器跑 XGBoost 或神经网络课程作业这么做没问题但放到毕设答辩场景「数据合规」四个字很容易成为盲区评审老师一句「学生隐私怎么保证」就能让方案降一个档次。联邦学习的拆解思路完全不同服务端下发初始模型各客户端用本地数据训练若干轮只回传模型参数或梯度原始记录始终留在本地。这样既利用了多份数据的统计信息又不需要把学生明细真正汇总到一处。项目的数据层就是照这个逻辑设计的data 目录下放了>python -m venv fl_env source fl_env/bin/activate # Windows 下用 fl_env\Scripts\activate pip install torch pandas numpy scikit-learn streamlittorch 装得慢可以指定 CPU 版本源。装完验证一下python -c import torch, streamlit; print(torch.__version__, streamlit.__version__)streamlit 版本别太激进我踩过 1.4x 之后st.cache弃用警告的坑不影响运行但日志很吵。requirements 里如果没锁版本建议直接装 1.30 左右这个版本对老代码兼容性最好。3.2 数据检查先看清楚表头和缺失值再动手解压后别急着训练。把两份 CSV 读出来看结构这一步花不了两分钟但能节省后面几小时的排错时间import pandas as pd df pd.read_csv(data/data-JSJfb1.csv, encodingutf-8) print(df.shape) print(df.columns.tolist()) print(df.head(3)) print(df.isna().sum())这段代码做三件事看数据量、看列名、看缺失值。如果表头中文乱码把 encoding 换成 gbk 重试如果报 UnicodeDecodeError说明文件是别的编码try 两个编码总有一个能读。成绩数据里最常见的坑是缺考记录——有的表填 0有的填空值这会影响特征分布建议统一口径比如把缺考单独编码成一档而不是混进 0 分。确认标签列之后进 options.py 或命令行参数把特征列、标签列对上。学号、姓名这种标识列必须在预处理时排除否则会被模型当成特征学进去精度虚高。3.3 跑 FedRep训练命令与关键参数拆解一切就绪后训练入口是这样的python main_fedrep.py \ --data_path data/data-JSJfb1.csv \ --num_clients 10 \ --num_rounds 50 \ --epochs 5 \ --batch_size 32 \ --lr 0.01 \ --seed 42参数含义逐个说data_path指向主数据文件num_clients10表示把数据切成 10 份模拟 10 个学院客户端num_rounds50是联邦聚合轮数每轮包含一次「客户端本地训练 服务端聚合」epochs5是每个客户端每轮本地训练的 epoch 数batch_size和lr是本地优化器超参seed42控制随机种子复现实验必须固定。跑完后终端打印每轮平均 loss 和测试准确率save 目录生成对应的 accs/losses CSV 文件。3.4 换算法对比FedProx 与 Scaffold 的启动差异换算法不需要改目录结构换入口脚本或加参数即可。FedProx 的核心实现封装在 FedProx.py 里常见做法是入口脚本加一个--fedprox开关把近端优化器接进去具体开关名以 options.py 为准python main_fedrep.py --fedprox --mu 0.01 \ --data_path data/data-JSJfb1.csv \ --num_clients 10 --num_rounds 50 --epochs 5 --seed 42FedProx 的本地目标函数变成了「原始损失 (mu/2)×‖w - w_global‖²」mu 控制对全局模型的靠拢程度。mu 太小等于没加约束客户端在 non-IID 数据上照样漂移mu 太大模型退化成 FedAvg。常见取值区间 0.0010.1我一般从 0.01 起步看 loss 曲线震荡再调大。Scaffold 走 main_scaffold.py它靠控制变量修正客户端漂移不需要调 mu但要注意它比 FedAvg 多存一份控制变量状态内存占用略高数据切分特别碎的时候优势最明显。3.5 用 Streamlit 把训练结果可视化标题写了「使用 Streamlit 搭建了简易可视化平台」但 zip 里没有独立的 app.py这点得说清楚。可视化的入口要么写在某个 main 脚本末尾要么在 README.md 里说明了启动方式。如果 README 没有给现成入口我的做法是自己补一个轻量 app.py把训练产出的 CSV 和混淆矩阵图展示出来# app.py import pandas as pd import streamlit as st st.title(联邦学习成绩预测结果) acc_df pd.read_csv(save/accs_fedrep_mnist3.csv) st.line_chart(acc_df) loss_df pd.read_csv(save/losses_fedrep_mnist5.csv) st.line_chart(loss_df) st.image(save/confusion_matrix.png, caption测试集混淆矩阵)启动命令是streamlit run app.py浏览器会自动打开 localhost:8501。line_chart 适合看趋势如果还想看每个客户端的个性化精度差异可以把数据按客户端 ID 分组后用 bar_chart。混淆矩阵那张图建议保留毕设答辩时可视化比干巴巴的准确率数字有说服力得多。3.6 结果文件怎么读accs、losses 与混淆矩阵save 目录下结果文件分两类accs 开头的是每轮准确率losses 开头的是每轮损失。文件名末尾的 2、3、5 我推测对应的是客户端分组数或 epoch 数得对照 options.py 里的默认值确认。confusion_matrix.png 是测试集上的混淆矩阵重点看相邻档位——「及格」和「中等」这种边界样本最容易分错。如果矩阵对角线外集中在中段区间说明模型对边缘学生区分力不足这是成绩预测的典型现象答辩时反而是可以展开讲的加分点。4. 算法对比实验参数怎么调才能画出可信的对比图4.1 FedProx 的 mu先扫一遍再定结论做对比实验时FedProx 的 mu 是第一个要遍历的参数。以 non-IID 切分为背景本地 epoch 设 5mu 从 0.001 到 0.1 按对数间隔取 45 个值画一条 acc-mu 曲线。你会观察到一个现象mu 太小时最终精度和 FedAvg 几乎重合mu 过大时曲线更平滑但收敛变慢。只有当 non-IID 程度高、本地 epoch 多时mu 的增益才明显。这个结论可以直接写进论文的消融实验小节。# 常见做法是写个小循环批量跑避免手动重复 import subprocess for mu in [0.001, 0.005, 0.01, 0.05, 0.1]: cmd (fpython main_fedrep.py --fedprox --mu {mu} --data_path data/data-JSJfb1.csv --num_clients 10 --num_rounds 50 --epochs 5 --seed 42) subprocess.run(cmd, shellTrue)注意每个 mu 都要固定同一个 seed否则随机性会把参数差异淹没。跑完后把 save 目录里各次实验的 accs CSV 重命名归档别让下一轮实验覆盖掉。参数选择可以参考下面这张表数据分布mu 建议本地 epoch说明IID 切分0.0010.0053分布均匀约束意义不大轻度 non-IID0.015折中选择重度 non-IID0.050.1510重点防漂移4.2 Ditto 与 APFL个性化联邦的两条路线Ditto 的思路是每个客户端维护一个全局模型副本和一个个性化副本个性化副本用「本地损失 λ×距离罚项」训练。λ 是个性化权重λ0 时退化为 FedAvgλ 越大越强调本地适配。APFL 则不同它直接学习一个混合系数 α让每个客户端在全局参数和本地参数之间自适应插值。两者在实验曲线上的差异是Ditto 更稳APFL 在客户端异构性强时上限更高但偶尔震荡。做对比实验时我一般把 λ 和 α 都从 0 扫到 1步长 0.2同时看两个指标全局测试精度和每个客户端的本地测试精度。个性化算法通常是全局精度略降、本地精度提升关键是把这条 trade-off 曲线画出来。这部分是毕设里最能体现工作量的一块也是评审老师最爱问「为什么 Ditto 本地高但全局低」的地方。4.3 L2GD通信轮次受限时的选择L2GD 走的是分层梯度下降路线核心是减少通信轮次。它把优化分成服务端和客户端两层每层用不同的学习率步长。实验上的卖点是「用更少的通信轮次达到和 FedAvg 接近的精度」。如果你的论文要强调通信效率就把横坐标从 epoch 换成通信轮次画 L2GD 和 FedAvg 的精度-通信量曲线这个图非常直观也比表格有冲击力。4.4 FedRep 与灾难性遗忘FedRep 把网络拆成「共享表示层 个性化分类头」表示层全局聚合分类头留在本地。这种结构天然缓解灾难性遗忘——本地分类头反复适配自己客户端的数据分布不会因为全局聚合把学到的个性化模式冲掉。在成绩预测这种客户端差异明显的场景FedRep 通常比 FedAvg 高 24 个点的本地精度。做实验时留意 save 目录里accs_fedrep_mnist2.csv、mnist3、mnist5三份文件它们就是多次运行不同随机划分的记录对比时可以直接拿来用。4.5 MTL 多任务学习与 FedRep 的异同MTL 把每个客户端当作一个独立任务共享底层表示、各自保留任务层。它和 FedRep 结构上长得像但 MTL 的 loss 是多个任务损失的加权和训练时任务之间会互相牵制。实验上 MTL 适合标签体系不完全一致的场景比如有的客户端按五档打分、有的按百分制先做标签对齐再做多任务。如果只是单一成绩预测任务MTL 更多是论文对比里的「多任务上限参考」用它衬托 FedRep 的简洁高效。4.6 对比实验的公平性约束所有算法共用同一套数据切分、同一批客户端、同一个 seed这是对比实验的铁律。我在实际跑的时候会先把切分结果存成固定文件比如每个客户端一个 CSV所有算法读同一份数据避免每次运行因抽样不同导致精度差异。评估指标要统一成绩预测建议同时报准确率、Macro-F1 和 RMSE如果做了回归单一准确率在类别不平衡时会被高分类别带偏。提示对比实验的随机种子必须固定否则画出来的曲线没有说服力。5. 避坑与常见问题复现这个项目的五个真实踩坑记录5.1 save 目录全是 mnist 文件名以为下错包现象解压后看到accs_fedrep_mnist2.csv、losses_fedrep_mnist5.csv第一反应是资源传错了把 MNIST 手写数字实验当成绩预测发出来了。 原因作者复用了开源 MNIST 联邦学习框架只改了数据加载接口保存路径里的 mnist 字样没一并替换。 解决不用改代码也能正常用CSV 里存的就是成绩预测的 acc 和 loss。介意的话全局搜索替换成 grade但小心别把数据加载逻辑里的 mnist 相关处理一起替换掉改完跑一次回归确认结果不变。5.2 客户端切太多每个客户端样本不够现象num_clients 设 20训练时 loss 剧烈震荡最终精度远低于集中式 baseline。 原因总数据量只有几千条切 20 份后每份只剩一两百条本地训练不稳定梯度方向被少量样本带偏。 解决先print(df.shape)看总量保证每个客户端至少 200 条样本样本不够就减小 num_clients或增大 num_rounds 让聚合更充分。sampling.py 里的 non-IID 浓度参数也值得看浓度越极端每个客户端分布越偏对样本量的要求越高。5.3 中文表头乱码或训练报 KeyError现象read_csv 读出来列名是乱码或者训练时报 KeyError怎么调参数都找不到特征列。 原因CSV 编码不统一utf-8 和 gbk 混用常见于从教务系统导出的文件。 解决写一个三行脚本强制探测编码for enc in [utf-8, gbk, gb2312]: try: df pd.read_csv(data/data-JSJfb1.csv, encodingenc) print(enc, df.columns.tolist()) break except UnicodeDecodeError: continue哪个编码不报错就用哪个。找到后用df.to_csv(data/data_clean.csv, indexFalse, encodingutf-8)转成统一编码后面所有脚本都读这个清洗后的文件。5.4 Streamlit 起不来或页面空白现象streamlit run app.py后浏览器打开 localhost:8501 白屏终端没有任何报错。 原因Streamlit 新版本移除了部分老 API老脚本直接崩在 import 阶段但不打印明确错误或者 8501 端口被上次残留进程占用。 解决先pkill -f streamlit清理进程再用streamlit run app.py --server.port 8502换端口测试。如果还白屏把 streamlit 降到 1.30 左右重新安装这是我对老项目最省事的处理方式。5.5 同一 seed 换机器结果对不上现象本机两次运行结果一致换到另一台机器精度差 23 个点以为代码有隐藏 bug。 原因PyTorch CPU 算子在不同指令集下浮点结果有差异DataLoader 多线程也会引入随机性seed 只管了 Python 随机数没管住底层算子。 解决固定 seed 之外在入口处加torch.manual_seed(seed)DataLoader 的num_workers设 0。对比实验必须在同一台机器、同一依赖版本下完成论文里写清楚环境和依赖版本这是复现性检查必查项。6. 把项目迁移到自己的数据替换、加算法、做实验看板6.1 替换数据集的完整操作自己的成绩表要接进来走五步读表确认列名与编码、筛选特征列去掉学号姓名等标识、标签离散化或归一化、按 sampling.py 的接口切分、在 options.py 里改默认路径。关键一步是标签处理如果源数据是百分制建议先分档优秀/良好/及格/不及格再喂分类模型回归预测百分制分数在毕设里解释成本高分档更容易讲清楚。6.2 加自己的算法以 FedBN 为例当前框架的模型是 MLP如果换成带 BatchNorm 的网络结构可以加一个 FedBN 变体。切入点在 models/Update.py 和 train_utils.py本地训练时记录 BN 统计量聚合时排除 BN 层参数其他逻辑沿用 FedAvg。复制 main_fedrep.py 的入口改模型加载和聚合逻辑就能在「改进」章节写出一小节。这个工作量不大但属于评审能一眼看懂的实打实改动。6.3 用 Streamlit 做实验存档看板把每次实验的 accs/losses CSV 按算法命名归档到 result 目录app.py 里用 selectbox 切换算法import pandas as pd import streamlit as st algo st.selectbox(选择算法, [fedrep, fedprox, ditto, l2gd, mtl, apfl, scaffold]) acc_df pd.read_csv(fsave/accs_{algo}_mnist3.csv) st.line_chart(acc_df)这样答辩演示时不用临时跑代码下拉框一换就是一条对比曲线现场效果比翻终端日志好得多。我第一次跑通这个项目的时候被 mnist 文件名折腾了一下午最后发现是虚惊一场。从那以后我每次跑联邦学习项目都强制先读一遍 README 和 options.py 再动手省掉的都是冤枉时间。希望帮到你。本文还有配套的精品资源点击获取 联邦学习高校成绩预测Python源码：七种算法与可视化平台实现
简介面向计算机相关专业学生与算法研究人员的联邦学习实战项目将横向联邦训练框架与高校学生成绩预测任务结合可用于毕业设计、课程设计或初期科研验证。项目基于Python实现包含FedProx、FedRep、Ditto、APFL、L2GD等多种联邦优化算法的完整源码及模型参数文件并配套7个CSV格式的样本与训练过程数据、1张混淆矩阵图便于对比不同聚合策略在成绩预测场景下的效果差异。资源共55个文件以py源码和pyc编译文件为主另含说明文档与可视化脚本压缩包整体仅2.25MB轻量易部署。通过Streamlit搭建的简易可视化平台可直接加载模型与数据进行交互式结果展示适合从零理解联邦学习的数据隔离训练流程。目前已有272人学习下载对于希望快速搭建联邦学习基线实验、开展成绩预测方向研究的读者具有直接参考价值。1. 联邦学习高校成绩预测这份源码包到底能解决什么问题做成绩预测的毕设最怕的不是模型跑不通而是导师追问「你的数据从哪来、隐私怎么处理」。这份基于联邦学习的高校学生成绩预测 python 源码把这个问题整套解掉了项目同时实现了 FedRep、FedProx、Scaffold、Ditto、L2GD、MTL、APFL 七种联邦算法配好了 CSV 样本数据和训练结果还用 Streamlit 搭了可视化平台。核心思路是每个客户端只接触部分学生数据参数聚合完成成绩预测原始记录不出本地。适合计科、大数据、人工智能专业做毕设或课程设计也适合想快速看懂联邦学习工程代码的开发者。2. 联邦学习的选型逻辑为什么成绩预测不能集中训练一把梭2.1 集中式训练的隐私矛盾与联邦拆解思路学生成绩在高校里属于典型敏感数据学院、教务处、学工系统各存一份字段还不一致有的表里有出勤和作业分有的只有期末成绩。传统做法是把所有 CSV 合并到一台服务器跑 XGBoost 或神经网络课程作业这么做没问题但放到毕设答辩场景「数据合规」四个字很容易成为盲区评审老师一句「学生隐私怎么保证」就能让方案降一个档次。联邦学习的拆解思路完全不同服务端下发初始模型各客户端用本地数据训练若干轮只回传模型参数或梯度原始记录始终留在本地。这样既利用了多份数据的统计信息又不需要把学生明细真正汇总到一处。项目的数据层就是照这个逻辑设计的data 目录下放了>python -m venv fl_env source fl_env/bin/activate # Windows 下用 fl_env\Scripts\activate pip install torch pandas numpy scikit-learn streamlittorch 装得慢可以指定 CPU 版本源。装完验证一下python -c import torch, streamlit; print(torch.__version__, streamlit.__version__)streamlit 版本别太激进我踩过 1.4x 之后st.cache弃用警告的坑不影响运行但日志很吵。requirements 里如果没锁版本建议直接装 1.30 左右这个版本对老代码兼容性最好。3.2 数据检查先看清楚表头和缺失值再动手解压后别急着训练。把两份 CSV 读出来看结构这一步花不了两分钟但能节省后面几小时的排错时间import pandas as pd df pd.read_csv(data/data-JSJfb1.csv, encodingutf-8) print(df.shape) print(df.columns.tolist()) print(df.head(3)) print(df.isna().sum())这段代码做三件事看数据量、看列名、看缺失值。如果表头中文乱码把 encoding 换成 gbk 重试如果报 UnicodeDecodeError说明文件是别的编码try 两个编码总有一个能读。成绩数据里最常见的坑是缺考记录——有的表填 0有的填空值这会影响特征分布建议统一口径比如把缺考单独编码成一档而不是混进 0 分。确认标签列之后进 options.py 或命令行参数把特征列、标签列对上。学号、姓名这种标识列必须在预处理时排除否则会被模型当成特征学进去精度虚高。3.3 跑 FedRep训练命令与关键参数拆解一切就绪后训练入口是这样的python main_fedrep.py \ --data_path data/data-JSJfb1.csv \ --num_clients 10 \ --num_rounds 50 \ --epochs 5 \ --batch_size 32 \ --lr 0.01 \ --seed 42参数含义逐个说data_path指向主数据文件num_clients10表示把数据切成 10 份模拟 10 个学院客户端num_rounds50是联邦聚合轮数每轮包含一次「客户端本地训练 服务端聚合」epochs5是每个客户端每轮本地训练的 epoch 数batch_size和lr是本地优化器超参seed42控制随机种子复现实验必须固定。跑完后终端打印每轮平均 loss 和测试准确率save 目录生成对应的 accs/losses CSV 文件。3.4 换算法对比FedProx 与 Scaffold 的启动差异换算法不需要改目录结构换入口脚本或加参数即可。FedProx 的核心实现封装在 FedProx.py 里常见做法是入口脚本加一个--fedprox开关把近端优化器接进去具体开关名以 options.py 为准python main_fedrep.py --fedprox --mu 0.01 \ --data_path data/data-JSJfb1.csv \ --num_clients 10 --num_rounds 50 --epochs 5 --seed 42FedProx 的本地目标函数变成了「原始损失 (mu/2)×‖w - w_global‖²」mu 控制对全局模型的靠拢程度。mu 太小等于没加约束客户端在 non-IID 数据上照样漂移mu 太大模型退化成 FedAvg。常见取值区间 0.0010.1我一般从 0.01 起步看 loss 曲线震荡再调大。Scaffold 走 main_scaffold.py它靠控制变量修正客户端漂移不需要调 mu但要注意它比 FedAvg 多存一份控制变量状态内存占用略高数据切分特别碎的时候优势最明显。3.5 用 Streamlit 把训练结果可视化标题写了「使用 Streamlit 搭建了简易可视化平台」但 zip 里没有独立的 app.py这点得说清楚。可视化的入口要么写在某个 main 脚本末尾要么在 README.md 里说明了启动方式。如果 README 没有给现成入口我的做法是自己补一个轻量 app.py把训练产出的 CSV 和混淆矩阵图展示出来# app.py import pandas as pd import streamlit as st st.title(联邦学习成绩预测结果) acc_df pd.read_csv(save/accs_fedrep_mnist3.csv) st.line_chart(acc_df) loss_df pd.read_csv(save/losses_fedrep_mnist5.csv) st.line_chart(loss_df) st.image(save/confusion_matrix.png, caption测试集混淆矩阵)启动命令是streamlit run app.py浏览器会自动打开 localhost:8501。line_chart 适合看趋势如果还想看每个客户端的个性化精度差异可以把数据按客户端 ID 分组后用 bar_chart。混淆矩阵那张图建议保留毕设答辩时可视化比干巴巴的准确率数字有说服力得多。3.6 结果文件怎么读accs、losses 与混淆矩阵save 目录下结果文件分两类accs 开头的是每轮准确率losses 开头的是每轮损失。文件名末尾的 2、3、5 我推测对应的是客户端分组数或 epoch 数得对照 options.py 里的默认值确认。confusion_matrix.png 是测试集上的混淆矩阵重点看相邻档位——「及格」和「中等」这种边界样本最容易分错。如果矩阵对角线外集中在中段区间说明模型对边缘学生区分力不足这是成绩预测的典型现象答辩时反而是可以展开讲的加分点。4. 算法对比实验参数怎么调才能画出可信的对比图4.1 FedProx 的 mu先扫一遍再定结论做对比实验时FedProx 的 mu 是第一个要遍历的参数。以 non-IID 切分为背景本地 epoch 设 5mu 从 0.001 到 0.1 按对数间隔取 45 个值画一条 acc-mu 曲线。你会观察到一个现象mu 太小时最终精度和 FedAvg 几乎重合mu 过大时曲线更平滑但收敛变慢。只有当 non-IID 程度高、本地 epoch 多时mu 的增益才明显。这个结论可以直接写进论文的消融实验小节。# 常见做法是写个小循环批量跑避免手动重复 import subprocess for mu in [0.001, 0.005, 0.01, 0.05, 0.1]: cmd (fpython main_fedrep.py --fedprox --mu {mu} --data_path data/data-JSJfb1.csv --num_clients 10 --num_rounds 50 --epochs 5 --seed 42) subprocess.run(cmd, shellTrue)注意每个 mu 都要固定同一个 seed否则随机性会把参数差异淹没。跑完后把 save 目录里各次实验的 accs CSV 重命名归档别让下一轮实验覆盖掉。参数选择可以参考下面这张表数据分布mu 建议本地 epoch说明IID 切分0.0010.0053分布均匀约束意义不大轻度 non-IID0.015折中选择重度 non-IID0.050.1510重点防漂移4.2 Ditto 与 APFL个性化联邦的两条路线Ditto 的思路是每个客户端维护一个全局模型副本和一个个性化副本个性化副本用「本地损失 λ×距离罚项」训练。λ 是个性化权重λ0 时退化为 FedAvgλ 越大越强调本地适配。APFL 则不同它直接学习一个混合系数 α让每个客户端在全局参数和本地参数之间自适应插值。两者在实验曲线上的差异是Ditto 更稳APFL 在客户端异构性强时上限更高但偶尔震荡。做对比实验时我一般把 λ 和 α 都从 0 扫到 1步长 0.2同时看两个指标全局测试精度和每个客户端的本地测试精度。个性化算法通常是全局精度略降、本地精度提升关键是把这条 trade-off 曲线画出来。这部分是毕设里最能体现工作量的一块也是评审老师最爱问「为什么 Ditto 本地高但全局低」的地方。4.3 L2GD通信轮次受限时的选择L2GD 走的是分层梯度下降路线核心是减少通信轮次。它把优化分成服务端和客户端两层每层用不同的学习率步长。实验上的卖点是「用更少的通信轮次达到和 FedAvg 接近的精度」。如果你的论文要强调通信效率就把横坐标从 epoch 换成通信轮次画 L2GD 和 FedAvg 的精度-通信量曲线这个图非常直观也比表格有冲击力。4.4 FedRep 与灾难性遗忘FedRep 把网络拆成「共享表示层 个性化分类头」表示层全局聚合分类头留在本地。这种结构天然缓解灾难性遗忘——本地分类头反复适配自己客户端的数据分布不会因为全局聚合把学到的个性化模式冲掉。在成绩预测这种客户端差异明显的场景FedRep 通常比 FedAvg 高 24 个点的本地精度。做实验时留意 save 目录里accs_fedrep_mnist2.csv、mnist3、mnist5三份文件它们就是多次运行不同随机划分的记录对比时可以直接拿来用。4.5 MTL 多任务学习与 FedRep 的异同MTL 把每个客户端当作一个独立任务共享底层表示、各自保留任务层。它和 FedRep 结构上长得像但 MTL 的 loss 是多个任务损失的加权和训练时任务之间会互相牵制。实验上 MTL 适合标签体系不完全一致的场景比如有的客户端按五档打分、有的按百分制先做标签对齐再做多任务。如果只是单一成绩预测任务MTL 更多是论文对比里的「多任务上限参考」用它衬托 FedRep 的简洁高效。4.6 对比实验的公平性约束所有算法共用同一套数据切分、同一批客户端、同一个 seed这是对比实验的铁律。我在实际跑的时候会先把切分结果存成固定文件比如每个客户端一个 CSV所有算法读同一份数据避免每次运行因抽样不同导致精度差异。评估指标要统一成绩预测建议同时报准确率、Macro-F1 和 RMSE如果做了回归单一准确率在类别不平衡时会被高分类别带偏。提示对比实验的随机种子必须固定否则画出来的曲线没有说服力。5. 避坑与常见问题复现这个项目的五个真实踩坑记录5.1 save 目录全是 mnist 文件名以为下错包现象解压后看到accs_fedrep_mnist2.csv、losses_fedrep_mnist5.csv第一反应是资源传错了把 MNIST 手写数字实验当成绩预测发出来了。 原因作者复用了开源 MNIST 联邦学习框架只改了数据加载接口保存路径里的 mnist 字样没一并替换。 解决不用改代码也能正常用CSV 里存的就是成绩预测的 acc 和 loss。介意的话全局搜索替换成 grade但小心别把数据加载逻辑里的 mnist 相关处理一起替换掉改完跑一次回归确认结果不变。5.2 客户端切太多每个客户端样本不够现象num_clients 设 20训练时 loss 剧烈震荡最终精度远低于集中式 baseline。 原因总数据量只有几千条切 20 份后每份只剩一两百条本地训练不稳定梯度方向被少量样本带偏。 解决先print(df.shape)看总量保证每个客户端至少 200 条样本样本不够就减小 num_clients或增大 num_rounds 让聚合更充分。sampling.py 里的 non-IID 浓度参数也值得看浓度越极端每个客户端分布越偏对样本量的要求越高。5.3 中文表头乱码或训练报 KeyError现象read_csv 读出来列名是乱码或者训练时报 KeyError怎么调参数都找不到特征列。 原因CSV 编码不统一utf-8 和 gbk 混用常见于从教务系统导出的文件。 解决写一个三行脚本强制探测编码for enc in [utf-8, gbk, gb2312]: try: df pd.read_csv(data/data-JSJfb1.csv, encodingenc) print(enc, df.columns.tolist()) break except UnicodeDecodeError: continue哪个编码不报错就用哪个。找到后用df.to_csv(data/data_clean.csv, indexFalse, encodingutf-8)转成统一编码后面所有脚本都读这个清洗后的文件。5.4 Streamlit 起不来或页面空白现象streamlit run app.py后浏览器打开 localhost:8501 白屏终端没有任何报错。 原因Streamlit 新版本移除了部分老 API老脚本直接崩在 import 阶段但不打印明确错误或者 8501 端口被上次残留进程占用。 解决先pkill -f streamlit清理进程再用streamlit run app.py --server.port 8502换端口测试。如果还白屏把 streamlit 降到 1.30 左右重新安装这是我对老项目最省事的处理方式。5.5 同一 seed 换机器结果对不上现象本机两次运行结果一致换到另一台机器精度差 23 个点以为代码有隐藏 bug。 原因PyTorch CPU 算子在不同指令集下浮点结果有差异DataLoader 多线程也会引入随机性seed 只管了 Python 随机数没管住底层算子。 解决固定 seed 之外在入口处加torch.manual_seed(seed)DataLoader 的num_workers设 0。对比实验必须在同一台机器、同一依赖版本下完成论文里写清楚环境和依赖版本这是复现性检查必查项。6. 把项目迁移到自己的数据替换、加算法、做实验看板6.1 替换数据集的完整操作自己的成绩表要接进来走五步读表确认列名与编码、筛选特征列去掉学号姓名等标识、标签离散化或归一化、按 sampling.py 的接口切分、在 options.py 里改默认路径。关键一步是标签处理如果源数据是百分制建议先分档优秀/良好/及格/不及格再喂分类模型回归预测百分制分数在毕设里解释成本高分档更容易讲清楚。6.2 加自己的算法以 FedBN 为例当前框架的模型是 MLP如果换成带 BatchNorm 的网络结构可以加一个 FedBN 变体。切入点在 models/Update.py 和 train_utils.py本地训练时记录 BN 统计量聚合时排除 BN 层参数其他逻辑沿用 FedAvg。复制 main_fedrep.py 的入口改模型加载和聚合逻辑就能在「改进」章节写出一小节。这个工作量不大但属于评审能一眼看懂的实打实改动。6.3 用 Streamlit 做实验存档看板把每次实验的 accs/losses CSV 按算法命名归档到 result 目录app.py 里用 selectbox 切换算法import pandas as pd import streamlit as st algo st.selectbox(选择算法, [fedrep, fedprox, ditto, l2gd, mtl, apfl, scaffold]) acc_df pd.read_csv(fsave/accs_{algo}_mnist3.csv) st.line_chart(acc_df)这样答辩演示时不用临时跑代码下拉框一换就是一条对比曲线现场效果比翻终端日志好得多。我第一次跑通这个项目的时候被 mnist 文件名折腾了一下午最后发现是虚惊一场。从那以后我每次跑联邦学习项目都强制先读一遍 README 和 options.py 再动手省掉的都是冤枉时间。希望帮到你。本文还有配套的精品资源点击获取