联邦学习的各种论文

联邦学习通信优化方法汇总

用预训练好的模型进行迁移学习

人工智能训练步骤训练循环通常包括以下步骤：将数据加载到迭代器中，如torch.utils.data.DataLoader遍历每个批次的数据将输入和标签移动到device上将梯度清零将输入传递给模型，得到输出计算损失反向传播梯度更新权重记录损失和准确率测试循环通常包括以下步骤：将数据加载到迭代器中，如torch.utils.data.DataLoader遍历每个批次的数据将输入和标签移动到devic

人工智能训练步骤训练循环通常包括以下步骤：将数据加载到迭代器中，如torch.utils.data.DataLoader遍历每个批次的数据将输入和标签移动到device上将梯度清零将输入传递给模型，得到输出计算损失反向传播梯度更新权重记录损失和准确率测试循环通常包括以下步骤：将数据加载到迭代器中，如torch.utils.data.DataLoader遍历每个批次的数据将输入和标签移动到devic

服务器的网络模型报错，因为池化层的池化核过大导致，自己修改代码将池化核变小了，其实应该还可以边缘填充上一层，而自己本次实验是通过缩小池化核得到的。

移动边缘网络中联邦学习效率优化综述