Pytorch 用.grad求全局_模型的梯度
我正在联合学习环境中培训CNN模型。我更新我的Pytorch 用.grad求全局_模型的梯度,pytorch,federated-learning,Pytorch,Federated Learning,我正在联合学习环境中培训CNN模型。我更新我的local\u模型，然后对从local\u模型更新得到的权重进行平均，以获得我的全局\u模型的权重。由于我在我的本地_模型培训期间使用了loss.backward（），因此我可以使用以下方法获得梯度： updates_list = [] for item in model.parameters(): updates_list.append(copy.deepcopy(item.grad)) print(updates_list) 但是我不能
local\u模型local\u模型权重进行平均，以获得我的全局\u模型
的权重。由于我在我的本地_模型
培训期间使用了loss.backward（）
，因此我可以使用以下方法获得梯度：
updates_list = []
for item in model.parameters():
updates_list.append(copy.deepcopy(item.grad))
print(updates_list)
但是我不能对我的全局\u模型使用.grad
，因为在对局部\u模型
权重进行平均的过程中没有backward（）
函数使用。我的问题是，如何获得我的全局_模型的更新梯度？
？关于什么的梯度？如果您不使用global_模型
来计算损失-它仅用作聚合权重的“容器”-那么您到底在寻找什么样的损失的梯度？