# STSL

**Repository Path**: ahaBCD/STSL

## Basic Information

- **Project Name**: STSL
- **Description**: The code of STSL
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-12-05
- **Last Updated**: 2025-09-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

* 以下是初步尝试代码

train_origin: 最开始的训练，不是这个任务的，只是使用了同一个数据集，可以参考，这里还没有树结构，也没有分裂模型

train_all_for_one: 改为了三段LSTM的训练，但这里是直接集中式从表格读取数据，还没加入树结构等等东西，只是测试三段LSTM

train_FedAvg: 不是bench，这个数据集分布和STSL不一致

train_SL: 也不是bench，这个数据集分布和STSL不一致

* 以下是正式代码

- data_extraction
  - data_extraction_root: 从原始数据中把符合要求的patients的数据每个人提取一个文件夹
  - data_cutting: 把提取的patients数据随机划分到不同医院中
  - healthcare_draw: 可视化对应文件的数据分布

- mission_planner
  - 工具性质
    - healthcare_download.py: 将当前Cube记录的树状数据下载下来，便于可视化
  - 训练性质
    - Cube: 树状结构，以及对树的操作，发起训练
    - Node: 结点结构
    - mission_plan: 加入了优化的STSL训练，第15行的`optimization = True`决定是否优化
    - mission_plan_compare: 用于比较STSL优化前后的通信量和数据持有率
    - mission_plan_four: 比较有四段数据的训练（只是为了并行跑代码，三段和四段的区分在train中）
    - mission_SL: bench中的SL，每次只选共有patients最多的路径训练一次，即不可以灵活切割分配模型（这个和原始的SL框架不同）

- rank_communication
  - client 定义hospital在排序时的行为
  - rank_main 多进程进行多client的排序

- Train
  - 工具性质
    - config: 训练中的配置，如果改了段数，医院数，记得去里面修改对应的惩罚系数
    - loggers: 用于生成log记录文件的，`logger.info(''.format())`
    - operation: 用于规划的时候的计算操作
  - 训练性质
    - train: 配合Cube.py的训练代码
    - train_average3: 表示的是，所有数据均分为三份，依次训练
    - bash: 集中式训练，其实就是调用了train_average3.py
    - train_all_for_one: 所有的数据，按照随机划分到三家医院后，一个批次训练完
    - train_h_local: bench中的FL，每个client仅使用本地数据做训练(FL不需要树结构，因为本地client是把local data中一个patient的数据组织起来作为一条时序数据，并不需要梳理batch)
    - SL: bench中的SL，每个Client仅适用本地数据训练模型的第一部分（第一个LSTM单元），server在无数据输入（全零输入）的情况下训练第二部分（第二个和第三个LSTM单元），属于固定划分，之间没有关联
    - models
      - 一些数据处理
      - models.py 模型初始化
      - models_four.py 四段输入的模型，0,1,2,2，最后两段需要来一个取平均



运行顺序：
1. data_extraction_root.py   将三张表格按照患者ID进行切分，保留有两次就诊记录，每次记录超过24h的患者数据
2. data_cutting.py           将患者数据随机切分为三段，并随机划分给四家医院中的三家
3. rank_main.py              为患者数据排序出就诊顺序，记录到ranks.csv中
4. mission_plan.py           划分训练集、测试集，构建Cube，并以交叉验证方式训练，最后测试
5. mission_plan_optimize.py  带有优化的规划
6. bash.py                   集中式
7. train_h_local.py          联邦学习
8. SL.py             分裂学习
9. mission_plan_four.py      四段的学习（只是为了并行跑代码）
10. 

这里是CPU版本，GPU版本的在：https://gitee.com/ahaBCD/STSL_gpu