大致是了解了申请项目的全过程，写一份好的申请书，选择合适的课题真的十分重要
科研项目进展
希望能拿到国家级项目 –
好消息是拿国家级了--坏消息是EI即以上一篇论文+专利，未来有学弟看到这篇文章，申请大创时可以考虑联邦学习这方面的内容，我们研究的是联邦学习激励机制与效率优化方案
项目申请书是我和一个队友写的，后来决定了搞研究不搞应用了，这样比较简单拿国家级项目，这样我们同时有了国家级项目经历和EI即以上论文，再参加个数模拿个国二，研究生复试是没啥问题了。
这里给各位一个申请参考吧
最开始我对联邦学习甚至时机器学习都一窍不通，后来就是各种查名词解释，了解了容器，开源平台，机器学习的过程，再后来直接上京东买了系统介绍联邦学习的书，了解了联邦学习的关键点，查各种综述论文，确定了两个关键点，敲定为项目题目，各位最好选择一项新技术的两个方面进行组合研究。再然后写项目的研究方案，研究意义等等，各位要有系统的认知，初期不必扣细节
1. 主机+树莓派，部署kubeedge
前提：需要了解docker， k8s
Cloud core部署在虚拟机 Linux
Edge core部署在树莓派

云边协同联邦学习

我看了个例子，云端下放算法程序，摄像头本地处理后反馈云端，云端更新参数后下放迭代后程序，让我们编应用我们是不是可以朝这种方向去搞

思路1：直接使用kubeedge的 sedna （难度较低，有例子）

https://gitee.com/mirrors_kubeedge/sedna/blob/main/examples/federated_learning/yolov5_coco128_mistnet/README.md

上述例子实现了合作训练yolo5。例子容易跑，但自己程序可能相对难写。

借用自带数据库，可以直接处理不同节点的数据参数？分散处理不同容器中工作的数据，容器中运行程序，可能是一个容器对应一块存储空间，信息互不干扰？？实现联邦机器学习？

思路2：在kubeedge 平台部署fate等联邦学习框架，实现联邦学习。

可能更好编程

在平台上编写自主联邦学习应用
不用kubeege 直接用Kubefate 快速部署联邦学习

Object Detection Experiment

Assume that there are two edge nodes and a cloud node. Data on the edge nodes cannot be migrated to the cloud due to privacy issues.
Base on this scenario, we will demonstrate the mnist example.

Prepare Nodes

CLOUD_NODE="cloud-node-name"//定义云节点名称
EDGE1_NODE="edge1-node-name"//定义边缘计算节点，提供数据的节点，协同机器学习的节点，注意理解如何分散处理数据的
EDGE2_NODE="edge2-node-name"

Install Sedna

Follow the Sedna installation document to install Sedna.

安装Sedna，是不是类似K8S那样的平台中安装这样一个数据库，用来存边缘节点处理后的数据

云节点中的容器运行的是不是迭代学习之类的程序？

边缘节点进行数据训练，云端节点形成全局认知，云计算平台实现第二轮操作的处理，以及后面迭代的处理

这种资源调度便是通过借助K8S平台处理，节点间的沟通命令传输等等

Prepare Dataset

Download dataset //下载数据集

Create data interface for EDGE1_NODE.

mkdir -p /data/1
cd /data/1
wget https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
unzip coco128.zip -d COCO //还好学了Linux知道是个啥，从网站下载数据集便于训练，然后解压

Create data interface for EDGE2_NODE.

mkdir -p /data/2
cd /data/2
wget https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
unzip coco128.zip -d COCO//边缘节点的两个不同的数据集

Prepare Images //准备图片干嘛？？

https://www.cnblogs.com/xueqiuqiu/articles/13716528.html
分布式学习的资料

https://zhuanlan.zhihu.com/p/449027699
知乎关于联邦学习算法的介绍

https://toutiao.io/posts/6csvlfj/preview
Sedna应用场景 云边协同

边云协同增量学习提升模型精度

下面为具体搭载例子分析
本周任务–跑起来例子
项目例子–需要提升重拾英文了
https://toutiao.io/posts/6csvlfj/preview

This example uses these images:

aggregation worker: kubeedge/sedna-example-federated-learning-mistnet-yolo-aggregator:v0.4.0//
train worker: kubeedge/sedna-example-federated-learning-mistnet-yolo-client:v0.4.0

These images are generated by the script build_images.sh.

Create Federated Learning Job

Create Dataset

create dataset for $EDGE1_NODE and $EDGE2_NODE

kubectl create -f - <<EOF
apiVersion: sedna.io/v1alpha1
kind: Dataset
metadata:name: "coco-dataset-1"
spec:url: "/data/1/COCO"format: "dir"nodeName: $EDGE1_NODE
EOF

kubectl create -f - <<EOF
apiVersion: sedna.io/v1alpha1
kind: Dataset
metadata:name: "coco-dataset-2"
spec:url: "/data/2/COCO"format: "dir"nodeName: $EDGE2_NODE
EOF

Create Model

create the directory /model and /pretrained in $EDGE1_NODE and $EDGE2_NODE.

mkdir -p /model
mkdir -p /pretrained

create the directory /model and /pretrained in the host of $CLOUD_NODE (download links here)

# on the cloud side
mkdir -p /model
mkdir -p /pretrained
cd /pretrained
wget https://kubeedge.obs.cn-north-1.myhuaweicloud.com/examples/yolov5_coco128_mistnet/yolov5.pth

create model

kubectl create -f - <<EOF
apiVersion: sedna.io/v1alpha1
kind: Model
metadata:name: "yolo-v5-model"
spec:url: "/model/yolov5.pth"format: "pth"
EOFkubectl create -f - <<EOF
apiVersion: sedna.io/v1alpha1
kind: Model
metadata:name: "yolo-v5-pretrained-model"
spec:url: "/pretrained/yolov5.pth"format: "pth"
EOF

Create a secret with your S3 user credential. (Optional)

kubectl create -f - <<EOF
apiVersion: v1
kind: Secret
metadata:name: mysecretannotations:s3-endpoint: s3.amazonaws.com s3-usehttps: "1"
stringData: ACCESS_KEY_ID: XXXXSECRET_ACCESS_KEY: XXXXXXXX
EOF

Start Federated Learning Job

kubectl create -f - <<EOF
apiVersion: sedna.io/v1alpha1
kind: FederatedLearningJob
metadata:name: yolo-v5
spec:pretrainedModel: # optionname: "yolo-v5-pretrained-model"transmitter: # optionws: { } # option, by defaults3: # optional, but at least oneaggDataPath: "s3://sedna/fl/aggregation_data"credentialName: mysecretaggregationWorker:model:name: "yolo-v5-model"template:spec:nodeName: $CLOUD_NODEcontainers:- image: kubeedge/sedna-example-federated-learning-mistnet-yolo-aggregator:v0.4.0name: agg-workerimagePullPolicy: IfNotPresentenv: # user defined environments- name: "cut_layer"value: "4"- name: "epsilon"value: "100"- name: "aggregation_algorithm"value: "mistnet"- name: "batch_size"value: "32"- name: "epochs"value: "100"resources: # user defined resourceslimits:memory: 8GitrainingWorkers:- dataset:name: "coco-dataset-1"template:spec:nodeName: $EDGE1_NODEcontainers:- image: kubeedge/sedna-example-federated-learning-mistnet-yolo-client:v0.4.0name: train-workerimagePullPolicy: IfNotPresentargs: [ "-i", "1" ]env: # user defined environments- name: "cut_layer"value: "4"- name: "epsilon"value: "100"- name: "aggregation_algorithm"value: "mistnet"- name: "batch_size"value: "32"- name: "learning_rate"value: "0.001"- name: "epochs"value: "1"resources: # user defined resourceslimits:memory: 2Gi- dataset:name: "coco-dataset-2"template:spec:nodeName: $EDGE2_NODEcontainers:- image: kubeedge/sedna-example-federated-learning-mistnet-yolo-client:v0.4.0name: train-workerimagePullPolicy: IfNotPresentargs: [ "-i", "2" ]env: # user defined environments- name: "cut_layer"value: "4"- name: "epsilon"value: "100"- name: "aggregation_algorithm"value: "mistnet"- name: "batch_size"value: "32"- name: "learning_rate"value: "0.001"- name: "epochs"value: "1"resources: # user defined resourceslimits:memory: 2Gi
EOF

下面为两个例子
https://github.com/kubeedge/sedna/blob/main/examples/federated_learning/surface_defect_detection/README.md