- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
hdu 2159 FATE
FATE Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others) Total Submission (s): 7363 Accepted Submission(s): 3398 Problem Description 近期xhd正在玩一款叫做FATE的游戏，为了得到极品装备。
27220编辑于 2022-07-06 - 来自专栏ml
HDUOJ----2159 FATE
FATE Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others) Total Submission (s): 6553 Accepted Submission(s): 3016 Problem Description 最近xhd正在玩一款叫做FATE的游戏，为了得到极品装备，xhd在不停的杀怪做任务
69460发布于 2018-03-22 - 来自专栏陶陶技术笔记
隐私计算FATE-离线预测
一、说明 Fate 的模型预测有 离线预测 和 在线预测 两种方式，两者的效果是一样的，主要是使用方式、适用场景、高可用、性能等方面有很大差别；本文分享使用 Fate 基于 纵向逻辑回归 算法训练出来的模型进行离线预测实践 基于上文 《隐私计算FATE-模型训练》 中训练出来的模型进行预测任务 关于 Fate 的安装部署可参考文章 《隐私计算FATE-核心概念与单机部署指南》 二、查询模型信息 执行以下命令，进入 Fate /examples/my_test/ job_id 可以在 FATE Board 中查看。 /examples/my_test/job_202205070226373055640_config directory", "directory": "/data/projects/fate/ /my_test/ 直接把 Fate 自带的纵向逻辑回归算法预测配置样例，复制到我们的 my_test 目录下。
96630编辑于 2022-11-11 - 来自专栏陶陶技术笔记
隐私计算FATE-模型训练
一、说明 本文分享基于 Fate 自带的测试样例，进行 纵向逻辑回归 算法的模型训练，并且通过 FATE Board 可视化查看结果。 本文的内容为基于 《隐私计算FATE-概念与单机部署指南》中部署的环境。 二、进入容器 执行以下命令，进入 Fate 的容器中： docker exec -it $(docker ps -aqf "name=standalone_fate") bash 可以看到其中有一个 /data/projects/fate/examples/my_test/ 直接把 Fate 自带的纵向逻辑回归算法样例，复制到我们的 my_test 目录下。 /data/projects/fate/examples/my_test/ 直接把 Fate 自带的纵向逻辑回归算法样例，复制到我们的 my_test 目录下。
1K31编辑于 2022-11-11 - 来自专栏pankas的技术分享
2022DASCTF Apr X FATE-soeasy_php
上周末dsactf的一道题，赛后自己自己看着作者的wp研究了一下，发现很多师傅都是用条件竞争打的，然后我在自己的机器上试了很多次都没结果，分析了一下，其实这道题用条件竞争读到flag是非预期，buuoj的平台不能一次性发送大量的包，否则会429错误。而且不难发现它这个edit.php可以使用条件竞争的地方还是要经过大量的调试的
56410编辑于 2022-08-10 - 来自专栏亨利笔记
巧用KubeFATE聚合FATE的联邦学习日志
KubeFATE 日志聚合 从 KubeFATE v1.5.1开始支持对 FATE 集群日志的收集功能。 通过使用kubefate cluster log命令，可以轻松地收集FATE集群各个组件，或指定单一组件的日志。 KubeFATE 的日志聚合功能，就是解决了 FATE 集群的日志分散不容易查看的问题。 对于 FATE 来说，通过查看日志是了解 FATE 集群运行是否健康的很好的方式。 任务错误排查 程序应用的开发不可避免的会有各式各样的错误，而在使用过程中能够及时的发现问题，定位原因是非常必要的。 -9999 fate-9999 1 Running fate v1.5.1 100s 通过日志检查指定组件是否成功运行 查看python组件的日志 kubefate
60920发布于 2021-07-12 - 来自专栏素质云笔记
坑挺多 | 联邦学习FATE：训练模型（二）
/fate-sbt.py", "conf": ". /fate-sbt.py", "conf": ". /fate-sbt.py", "conf": ". /fate-sbt.py", "conf": ". ['guest'] = 9999 fate_sbt_regression_param['host'] = 10000 fate_sbt_regression_param['namespace'] = '
2.4K30编辑于 2022-06-20 - 来自专栏亨利笔记
KubeFATE 部署多集群联邦学习平台 FATE
本文将介绍如何使用 KubeFATE 在两个 Kubernetes 集群上部署互通的两个FATE 实例。这两个 FATE 可以完成各种联邦学习的任务。 完成后将会得到下图的结构： ? /FATE_cluster_configuration.md)。 PartyA的配置文件cluster-A.yaml # A集群 name: fate-10000 namespace: fate-10000 chartName: fate chartVersion: -10000 namespace/fate-10000 created # B集群 [deploy-B]$ kubectl create namespace fate-9999 namespace/fate -9999 created 部署FATE 使用kubefate命令行工具部署FATE: # A集群 [deploy-A]$ kubefate cluster install -f .
2.5K10发布于 2020-06-02 - 来自专栏亨利笔记
FATE开源项目向可信联邦学习进发
展望 FATE 社区今后的工作，可信联邦学习将是主要的内容之一，下面部分内容来自杨强教授关于可信联邦学习的阐述。 与可信联邦学习的拓展思路相对应，FATE平台将主要在三个方面发生改变： 第一，通过算法的改进来实现安全-性能-效率的平衡。 杨强认为，大部分的解决方案都能够无缝插入开源FATE，这样FATE的作用就类似一个“转换器”，可以帮助实现互通互联。 可信联邦学习的提出，更多是从技术角度提升联邦学习在真实业务场景中的表现。 互联互通的推进，则对FATE平台在更大范围内落地应用至关重要。 FATE 在可信联邦学习方面的发展 FATE 近期将在开源社区中，增加可信联邦学习的相关成果，开发者和用户可以持续关注。 社区开发专委会会议纪要： https://github.com/FederatedAI/FATE-Community/tree/master/meeting-minutes/FATE_Dev_Meeting
1.1K30编辑于 2022-09-03 - 来自专栏亨利笔记
联邦学习平台 KubeFATE 部署 FATE 的配置说明
KubeFATE部署 FATE 的配置介绍 使用kubefate可以部署两种集群类型，包含 FATE(Training) 和 FATE-Serving，部署配置文件是 YAML 格式。 ：FATE集群的类型，包括fate和fate-serving chartVersion：FATE集群的版本，更多版本可以在这里找到https://github.com/FederatedAI/KubeFATE FATE (Training) 的配置 部署 FATE (Training) 集群。 on spark](FATE on spark)的配置 hdfs：[FATE on spark](FATE on spark)的配置 rabbitmq：[FATE on spark](FATE on 使用cluster.yaml，默认会部署一个FATE on eggroll的FATE集群。
98620编辑于 2023-04-04 - 来自专栏小陈运维
联邦学习FATE框架安装搭建 - CentOS8
FATE官方网站：https://fate.fedai.org/ FATE文档：https://fate.readthedocs.io/ 安装与配置-Python3.6安装 [root@localhost .tar.gz [root@localhost ~]# ls docker_standalone_fate_1.6.0 fate.tar install_standalone_docker.sh [ [root@localhost docker_standalone_fate_1.6.0]# 进入容器内部进行单元测试验证操作 [root@localhost docker_standalone_fate :/fate# root@625c1239a7fe:/fate# root@625c1239a7fe:/fate# bash . /blob/master/fate.env
1.4K30发布于 2021-10-13 - 来自专栏绿盟科技研究通讯
联邦学习开源框架FATE-Flow 源码分析
FATE整体架构 FATE是首个工业级的开源联邦学习框架，据中国信通院数据显示，55%的国内隐私计算产品是基于或参考了开源项目，其中以FATE开源项目为主。 FATE提供了联邦学习全流程的解决方案，具备开箱即用的特点。FATE整体架构和基本流程如下图1、2所示，本篇文章将主要介绍联邦学习任务调度的核心：FATE-Flow。 图1：FATE整体架构 图2：FATE流程 二. FATE-Flow架构 FATE-Flow提供了端到端的联邦学习任务流水线管理模块，架构如图3所示。 图3：FATE-Flow流程 在FATE-Flow中，由如下几个关键模块： DAG：定义了流水线，使用JSON格式的DSL来定义DAG。 源码分析 FATE-Flow后端使用的是Flask，Flask是一个轻量级的python web框架，FATE-Flow server的程序入口是在python/fate_flow/fate_flow_server.py
2.2K11编辑于 2023-02-22 - 来自专栏素质云笔记
坑挺多 | 联邦学习FATE：上传数据（一）
当然，答案是：可以的 1.2 如何连接fate server 首先各类教程里面，pipeline init就是启动了fate flow server， ! pipeline init --ip fate-9999.aliyun.xxxx.com --port 9380 ! pipeline config check upload_fate_data(guest_train_data_params,partition = 4) upload_fate_data(guest_test_data_params pipeline init --ip fate-10000.aliyun.xxxx.com --port 9380 ! pipeline config check upload_fate_data(host_train_data_params,partition = 4) upload_fate_data(host_test_data_params
1.6K31编辑于 2022-06-20 - 来自专栏亨利笔记
使用Docker Compose 部署FATE v1.5.0
FATE 已经发布了首个长期支持版本，怎样快速体验新版本的FATE来做联邦学习的实验任务呢，接下来我们带领大家一起使用 docker-compose 来快速部署 FATE v1.5.0 LTS。 sudo useradd -s /bin/bash -g docker -d /home/fate fate # 设置用户密码 sudo passwd fate 配置免密 这部分需要在部署机上操作 3: 发送到partyB ssh-copy-id -i ~/.ssh/id_rsa.pub fate@192.168.0.10 安装FATE 安装 FATE 比较简单，只需要下载相应的安装包，解压 部署 部署双方的FATE和FATE-Serving bash docker_deploy.sh all 这一步会通过scp和ssh的方式将tar包拷贝到目标主机的对应目录，然后启动FATE集群。 （本文为公众号：亨利笔记 原创文章） 这里使用了参数all直接部署了party10000和party9999的FATE与FATE-Serving，如果想要只部署一个部分，可以参考这里的详细使用(https
1K10编辑于 2023-04-18 - 来自专栏陶陶技术笔记
隐私计算FATE-核心概念与单机部署指南
四、Fate FATE (Federated AI Technology Enabler）是微众银行人工智能团队自研的全球首个联邦学习工业级开源框架，它提供一种基于数据隐私保护的安全计算框架，为机器学习 github地址：https://github.com/FederatedAI/FATE 在 Fate 里面存在以下三种角色： Guest 为数据的应用方，指的是在实际的建模场景中有业务需求去应用这些数据 } docker tag ccr.ccs.tencentyun.com/federatedai/standalone_fate:${version} federatedai/standalone_fate 启动容器 执行以下命令启动： docker run -d --name standalone_fate -p 8080:8080 federatedai/standalone_fate:${version }; 六、测试 Fate 里面自带了测试任务； 首先执行以下命令，进入 Fate 的容器中： docker exec -it $(docker ps -aqf "name=standalone_fate
2.5K20编辑于 2022-11-11 - 来自专栏亨利笔记
FATE × KubeFATE技术实践沙龙-北京站精彩回顾（下）
5月29日，由VMware中国研发中心和微众银行联合主办的FATE× KubeFATE技术实践沙龙-北京站顺利举办，来自VMware、微众银行、建信金科、光大科技、中国银联、星云Clustar、爱动科技等多位技术专家现场分享了联邦学习相关应用与实践案例 演讲视频回放 演讲嘉宾合影留念 FATE × KubeFATE技术实践沙龙-北京站 圆满结束 再次感谢大家的支持与参与！ 是否觉得还没听过瘾？
48720编辑于 2023-04-04 - 来自专栏亨利笔记
技术公开课：FATE KubeFATE 1.8 新功能
相关信息：FATE开源社区3月份开发工作进展 FATE开源项目作为全球首个工业级联邦学习开源框架，从发布至今，历经多个版本迭代，每一次的优化和升级，都让FATE更加健全和成熟。 正是对技术的不懈追求和探索，让FATE成为了国内领先的联邦学习开源社区。 4月15日，由FATE开源社区发起的系列线上公开课——FATE 「LIGHT UP」计划第二期继续为大家带来精彩内容！ 分享时间：2022年4月15日（周五）14:00-14:50 分享主题：FATE和KubeFATE 1.8.0新功能介绍 分享内容： 介绍FATE v1.8在功能和性能上的优化和迭代。 之一、FATE开源社区核心算法研发、微众银行人工智能算法工程师。 负责FATE关键算法的开发和优化，协助FATE多版本的发布工作，参与多期FATE圆桌会议分享，专注于联邦学习和人工智能等领域的技术发展。
45120编辑于 2023-04-04 《FATE隐私计算框架金融应用报告》摘要
本报告基于对 25种主流开源隐私计算框架 的调研（截至2022年8月），聚焦 FATE 框架的技术特性及金融行业实践，为行业提供技术选型与生态建设参考。 核心分析模型：基于 FATE 框架的分层架构（计算引擎、安全协议、算法库、调度引擎等），结合金融场景需求构建技术评估矩阵。 FATE 通过 30余个联邦算法组件 及多协议适配（同态加密、秘密共享等），支持工业级应用。 开源生态驱动互联互通：金融行业 30% 的隐私计算平台基于开源框架构建，其中 75% 采用 FATE。 金融场景实践验证价值：在联合风控、智能营销等场景中，FATE 帮助机构提升模型效果（如反欺诈模型 AUC 提升 14%），同时满足数据不出域的合规要求。 为什么选择腾讯云 腾讯云基于 FATE 开源框架与自研 Angel PowerFL 框架，构建安全联邦学习平台，提供 PaaS 与 SaaS 级服务。
4400编辑于 2026-05-30- 来自专栏陶陶技术笔记
隐私计算FATE-多分类神经网络算法测试
一、说明 本文分享基于 Fate 使用 横向联邦 神经网络算法 对 多分类 的数据进行 模型训练，并使用该模型对数据进行 多分类预测。 关于 Fate 的核心概念、单机部署、训练以及预测请参考以下相关文章： 《隐私计算FATE-关键概念与单机部署指南》 《隐私计算FATE-模型训练》 《隐私计算FATE-离线预测》 二、准备训练数据 上传到 Fate 里的数据有两个字段名必需是规定的，分别是主键为 id 字段和分类字段为 y 字段，y 字段就是所谓的待预测的 label 标签；其他的特征字段(属性)可任意填写，例如下面例子中的 x0 本文只描述关键部分，关于详细的模型训练步骤，请查看文章《隐私计算FATE-模型训练》 2.1. guest端 10条数据，包含1个分类字段 y 和 10 个标签字段 x0 - x9 y 值有 0、1、 上传到 Fate 中，表名为 muti_breast_homo_host 命名空间为 experiment 三、执行训练任务 3.1.
49440编辑于 2022-11-11 - 来自专栏CNCF
Harbor在云原生联邦学习平台FATE中的应用
FATE 项目使用 Java 和 Python 等语言开发而成，早期版本在安装、部署时需要下载依赖软件包和进行较长时间的编译。 FATE 从 1.1 版本开始，增加了全组件的容器化封装，在部署时无须下载复杂的依赖包和重新编译，使得 FATE 的部署得到了简化。 在 FATE 版本更新时，用户可以从互联网下载新版本的镜像和 Helm Charts，再将其导入 Harbor 中供内部环境使用。 完整的FATE集群包含 FATE-Board、 FATE -Flow、Rollsite、Node Manager 和 Cluster Manager 等多个容器，这些容器又分别对应不同的镜像，因此使用 ◎免除构建FATE时需要各种依赖包的烦琐流程。 ◎提供离线部署的能力，加速应用部署的速度。 ◎实现跨平台部署FATE集群。 ◎可按需灵活地实现多实例水平扩展。 ◎升级实例的版本并进行多版本的维护。
77110发布于 2021-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号