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
=====================================================================
使用文件examples/federatedml-1.x-examples/homo_logistic_regression/test_predict_conf.json
-
发起人：指定发起人的角色和partyID，应与训练过程相同。
-
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”。
- 角色：指出所有角色的所有partyID，应与训练过程相同。
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。
=================================================================
预测的模板命令如下：
python {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：
===================================================================
通过监控平台以及job_id查看预测情况
总体情况如下：
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。
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
- 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 {job_id} -p {role} -cpn {predict_result_output_dir}
${job_id}: 预测任务ID
感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：
① 2000多本Python电子书（主流和经典的书籍应该都有了）
② Python标准库资料（最全中文版）
③ 项目源码（四五十个有趣且经典的练手项目及源码）
④ Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）
⑤ Python学习路线图（告别不入流的学习）
