FATE联邦学习笔记（二）——如何在FATE上使用卷积
学习自定义算法模块。
根据github教程和官方视频学习。
因项目需要，希望在FATE上实现图像算法。
目前的理解：FATE上传的数据格式支持有限。数据是一维的，无法使用神经网络的卷积等操作。原打算通过： 数据上传（一维数据）——数据转换（转换为多维数据）——算法模块（卷积神经网络）这样的流程实现，自定义编写一个reshape的FATE模块。
目前的问题在于FATE使用的数据格式DTable。
尝试了另外一种思路，不需要关注FATE中的数据格式，在数据传入tensorflow或pytorch后变成张量，对张量进行维度变换即可。把问题放在tf层而不是FATE层解决。
解决方案：在定义模型时加入reshape层。以使用tensorflow作为计算引擎，
首先对数据进行处理，将原始的图像数据转换成一维数据（我转换成了CSV格式），格式符合FATE的要求（id,y,features…）。通过data_io模块上传。
在定义模型时，加入reshape层。例如，正常情况下是图像数据直接传入到resnet网络，现在在resnet网络前加入reshape层。如下。
model_1.add(Reshape((56, 56,3), input_shape=(9408, )))数据通过reshape后变回多通道格式，即可正常接入resnet,VGG等。
model_1=keras.models.Sequential()
model_1.add(Reshape((28, 28,1), input_shape=(784, )))
model_1.add(Conv2D(8, (3, 3),padding='same', activation='relu'))
model_1.add(Conv2D(8, (3, 3),padding='same', activation='relu'))
model_1.add(MaxPooling2D(pool_size=(2, 2),padding='same'))
odel_1.add(Flatten())
model_1.add(Dense(10, activation='sigmoid'))
model_1.summary()
print(model_1.to_json())图中未训练到收敛，但可以看到方案可行，跑通。
下图是部分网络参数，可以看到里面加入了卷积。
未解决问题：在训练时发现直接使用resnet50，VGG16等报错，尝试后发现与参数量有关，当参数量较大时报错。自行测试，参数量七百万时正常运行，一千四百万时报错。报错如下。
后续将FATE版本更新至1.4，这个错误没有再出现。（我怀疑这个问题没有解决，只是可接受的参数量规模比1.3更大了，增加参数量的话应该还会出现这种问题。）