1. 获取训练模型信息

输入命令获取训练模型信息的model_id以及model_version，具体命令模板如下

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f job_config -j ${jobid} -r guest -p

${your_fate_install_path}： fate安装目录

-j :${jobid} ：任务ID

-r: 角色

-p： ${guest_partyid}：partyId

-o：文件数据路径

进入fate容器输入以下命令：

python fate_flow/fate_flow_client.py -f job_config -j 202112070410338086905 -r guest -p 10000 -o examples/federatedml-1.x-examples/homo_logistic_regression

控制台输出相关信息如下：

进入输出目录，可看到输出的文件

dsl.json：与训练时候定义的dsl配置相对应。
runtime_conf.json：与训练时候定义的运行配置相对应。
model_info.json：模型信息，包括model_id model_verison
train_runtime_conf.json：暂无

2. 编写预测配置文件

使用文件examples/federatedml-1.x-examples/homo_logistic_regression/test_predict_conf.json

{
    "initiator": {
        "role": "guest",
        "party_id": 10000
    },
    "job_parameters": {
        "work_mode": 0,
        "job_type": "predict",
        "model_id": "arbiter-10000#guest-10000#host-10000#model",
        "model_version": "202112070410338086905"
    },
    "role": {
        "guest": [10000],
        "host": [10000],
        "arbiter": [10000]
    },
    "role_parameters": {
        "guest": {
            "args": {
                "data": {
                    "eval_data": [{"name": "homo_breast_guest", "namespace": "homo_breast_guest"}]
                }
            }
        },
        "host": {
            "args": {
                "data": {
                    "eval_data": [{"name": "homo_breast_host", "namespace": "homo_breast_host"}]
                }
            }
        }
    }
}

1. initiator：指定发起人的角色和partyID，应与训练过程相同。

2. job_parameters：

work_mode：单机或者集群，它应与训练过程相同。

model_id \ model_version：获取的训练模型信息。

job_type：任务类型。分为train(训练)/predict(预测) ，在这种情况下，它应该是“predict”。

3. role：指出所有角色的所有partyID，应与训练过程相同。

4. role_parameters：角色配置，guest使用homo_breast_guest数据进行预测，host使用homo_breast_host进行预测。

3.开始预测

预测的模板命令如下：

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f submit_job -c ${predict_config}

${your_fate_install_path}： fate安装目录

-c:预测文件配置路径 ${predict_config}

控制台输入以下命令：

python fate_flow/fate_flow_client.py -f submit_job -c examples/federatedml-1.x-examples/homo_logistic_regression/test_predict_conf.json

输出以下结果表示成功：

4. 查看预测结果

通过监控平台以及job_id查看预测情况

总体情况如下：

点击"view the job" 查看具体情况

先看这个图，这个图我们无法得知各个组件之间的输入输出关系。

因此我们还是需要看他的dsl，输入查询命令

python fate_flow/fate_flow_client.py -f job_config -j 202112070835330174078 -r guest -p 10000 -o examples/federatedml-1.x-examples/homo_logistic_regression

查看输出目录的dsl.json，找到对应配置如下：

{
    "components": {
        "dataio_0": {
            "CodePath": "federatedml/util/data_io.py/DataIO",
            "input": {
                "data": {
                    "data": [
                        "args.eval_data"
                    ]
                },
                "model": [
                    "pipeline.dataio_0.dataio"
                ]
            },
            "module": "DataIO",
            "output": {
                "data": [
                    "train"
                ]
            }
        },
        "dataio_1": {
            "CodePath": "federatedml/util/data_io.py/DataIO",
            "input": {
                "data": {
                    "data": [
                        "args.eval_data"
                    ]
                }
            },
            "module": "DataIO",
            "output": {
                "data": [
                    "eval_data"
                ]
            }
        },
        "homo_lr_0": {
            "CodePath": "federatedml/linear_model/logistic_regression/homo_logsitic_regression/homo_lr_guest.py/HomoLRGuest",
            "input": {
                "data": {
                    "eval_data": [
                        "dataio_0.train"
                    ]
                },
                "model": [
                    "pipeline.homo_lr_0.homolr"
                ]
            },
            "module": "HomoLR",
            "output": {
                "data": [
                    "train"
                ]
            }
        },
        "homo_lr_1": {
            "CodePath": "federatedml/linear_model/logistic_regression/homo_logsitic_regression/homo_lr_guest.py/HomoLRGuest",
            "input": {
                "data": {
                    "eval_data": [
                        "dataio_1.eval_data"
                    ]
                },
                "model": [
                    "pipeline.homo_lr_1.homolr"
                ]
            },
            "module": "HomoLR",
            "output": {
                "data": [
                    "predict"
                ]
            }
        }
    }
}

5. 获取所有预测结果

FateBoard默认查看100条，我们想要获取全部数据可以通过命令行实现。

模板命令如下：

python ${your_fate_install_path}/fate_flow/fate_flow_client.py -f component_output_data -j ${job_id} -p ${party_id} -r ${role} -cpn ${component_name} -o ${predict_result_output_dir}

${job_id}: 预测任务ID

${party_id}: 用户partyID

${role}: 角色

${component_name}: 获取预测结果的组件

${predict_result_output_dir}: 输出目录

5.1 获取guest所有预测结果

控制台输入以下命令：

homo_lr_0预测结果：

python fate_flow/fate_flow_client.py -f component_output_data -j 202112070835330174078 -p  10000 -r guest -cpn  homo_lr_0 -o examples/federatedml-1.x-examples/homo_logistic_regression/predict

homo_lr_1预测结果：

python fate_flow/fate_flow_client.py -f component_output_data -j 202112070835330174078 -p  10000 -r guest -cpn  homo_lr_1 -o examples/federatedml-1.x-examples/homo_logistic_regression/predict

控制台输出：

进入目录可以看到两个文件

output_data.csv：输出csv的数据；

output_data_meta.json：输出数据的表头字段

5.2 获取host所有预测结果

host的操作只需要修改role跟相对的partyid即可

Fate横向联邦学习-预测