操作Distributed AI 案例应用-线性回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) 存储节点(Storage 链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持有节点对任务执行节点的计算数据做信任背书。 SMPC是一个支持多个学习过程并行运行的框架，会陆续集成更多纵向联邦学 习、横向联邦学习算法。 训练样本和预测数据集往往是归属于不同机构的隐私数据。这些机构可以作为 数据持有节点加入到去中心化存储网络中，通过多方安全计算网络发挥数据的 最大价值。 1.3 区块链网络 训练任务和预测任务通过区块链网络广播到任务执行节点，后者继而执行训练 任务和预测任务。数据持有节点和存储节点在副本保持证明、健康状态监控过 程中，通过区块链网络实现信息交换。 目前，PaddleDTX底层采用的区块链框架是XuperChain。

操作Distributed AI 案例应用-线性回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) 存储节点(Storage 链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持有节点对任务执行节点的计算数据做信任背书。 SMPC是一个支持多个学习过程并行运行的框架，会陆续集成更多纵向联邦学 习、横向联邦学习算法。 训练样本和预测数据集往往是归属于不同机构的隐私数据。这些机构可以作为 数据持有节点加入到去中心化存储网络中，通过多方安全计算网络发挥数据的 最大价值。 1.3 区块链网络 训练任务和预测任务通过区块链网络广播到任务执行节点，后者继而执行训练 任务和预测任务。数据持有节点和存储节点在副本保持证明、健康状态监控过 程中，通过区块链网络实现信息交换。 目前，PaddleDTX底层采用的区块链框架是XuperChain。

Fabric 定义任务并导入 callable 任务 与远程程序集成 合并 stdout 和 stderr 伪终端 两者结合 作为库使用 连接服务器 断开连接 最后注意 输出管理 输出等级 隐藏和／或显示输出级别 并行执行 它是如何运转的 如何使用 bubble 大小 行级输出 vs 比特级输出 SSH 行为 未知主机 已知主机但更换了密钥 定义任务 新式任务 传统任务 API 文档 API 的 基础之上构建的。 提供彩色输出的函数 上下文管理器 装饰器 文档助手 网络 业务（Operation） 任务 实用工具 扩展 API Fabric 的 扩展包 包括常用而有用的工具（通常是从用户的 fabfile 中合并进来 的），可用于用户 I/O、修改远程文件等任务中。核心 API 倾向于保持小巧、 不随意变更，扩展包则会随着更多的用户案例被解决并添加进来，而不断成长 进化（同时尽量保持向后兼容）。 Python 模块中做的事情同样可以在一个 fabfile 中完成。 参见 Execution strategy, 定义任务, fab 选项和参数 任务参数 和你平时的 Python 编程一样，给任务函数传递参数很有必要``。Fabric 支持 Shell 兼容的参数用法： <任务名>:<参数>, <关键字参数名>=<参数值>,... 用起来就 是这样，下面我们用一个 say hello 的实例来展开说明一下：

Fabric 定义任务并导入 callable 任务 与远程程序集成 合并 stdout 和 stderr 伪终端 两者结合 作为库使用 连接服务器 断开连接 最后注意 输出管理 输出等级 隐藏和／或显示输出级别 并行执行 它是如何运转的 如何使用 bubble 大小 行级输出 vs 比特级输出 SSH 行为 未知主机 已知主机但更换了密钥 定义任务 新式任务 传统任务 API 文档 API 的 基础之上构建的。 提供彩色输出的函数 上下文管理器 装饰器 文档助手 网络 业务（Operation） 任务 实用工具 扩展 API Fabric 的 扩展包 包括常用而有用的工具（通常是从用户的 fabfile 中合并进来 的），可用于用户 I/O、修改远程文件等任务中。核心 API 倾向于保持小巧、 不随意变更，扩展包则会随着更多的用户案例被解决并添加进来，而不断成长 进化（同时尽量保持向后兼容）。 Python 模块中做的事情同样可以在一个 fabfile 中完成。 参见 Execution strategy, 定义任务, fab 选项和参数 任务参数 和你平时的 Python 编程一样，给任务函数传递参数很有必要``。Fabric 支持 Shell 兼容的参数用法： <任务名>:<参数>, <关键字参数名>=<参数值>,... 用起来就 是这样，下面我们用一个 say hello 的实例来展开说明一下：

'B', 'C'], onclick=btn_click) 注解 在PyWebIO会话(关于会话的概念见下文 Server and script mode )结束后，事件 回调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函数来将会话保持，这样在用户关闭浏览器前，事件回调将一直可用。 锚点 就像在控制台输出文本一样，PyWebIO默认在页面的末尾输出各种内容，你可 中调用和使用 start_server() 启动一个Web服务两种模式。 Server mode 下，需要提供一个任务函数来为每个用户提供服务，当用户访问 服务地址时，PyWebIO会开启一个新会话并运行任务函数。 在任务函数外不能 调用PyWebIO的交互函数，但是在由任务函数调用的其他函数内依然可以调用 PyWebIO的交互函数。 在调用 start_server() 启动Web服务之前，不允许调 SessionNotFoundException / SessionClosedException 异 常。 可以使用 defer_call(func) 来设置会话结束时需要调用的函数。无论是用户主 动关闭会话还是任务结束会话关闭，设置的函数都会被执行。 可以用于资源 清理等工作。在会话中可以多次调用 defer_call() ,会话结束后将会顺序执行 设置的函数。 与Web框架集成 PyWebIO 目前支持与Flask和Tornado

动调用相应的回调函数: 当然，PyWebIO还支持单独的按钮控件: 注解 在PyWebIO会话(关于会话的概念见下文 Server与script模式 )结束后，事件回 调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函 数来将会话保持，这样在用户关闭浏览器页面前，事件回调将一直可用。 输出域Scope PyWebIO使用Scope模型来对内容输出 在Server模式下，PyWebIO会启动一个Web服务来持续性地提供服务。需要提 供一个任务函数(类似于Web开发中的视图函数)，当用户访问服务地址时， PyWebIO会开启一个新会话并运行任务函数。 使用 start_server() 来启动PyWebIO的Server模式， start_server() 除了接收 一个函数作为任务函数外， 还支持传入函数列表或字典，从而使一个PyWebIO Server下 使用app参数指定任务名 put_link('Go task 2', app='task_2') start_server([index, task_1, task_2]) # 或 start_server({'index': index, 'task_1': task_1, 'task_2': task_2}) 可以使用 pywebio.platform.seo() 函数来设置任务函数SEO信息（在被搜索引

动调用相应的回调函数: 当然，PyWebIO还支持单独的按钮控件: 注解 在PyWebIO会话(关于会话的概念见下文 Server与script模式 )结束后，事件回 调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函 数来将会话保持，这样在用户关闭浏览器页面前，事件回调将一直可用。 输出域Scope PyWebIO使用Scope模型来对内容输出 在Server模式下，PyWebIO会启动一个Web服务来持续性地提供服务。需要提 供一个任务函数(类似于Web开发中的视图函数)，当用户访问服务地址时， PyWebIO会开启一个新会话并运行任务函数。 使用 start_server() 来启动PyWebIO的Server模式， start_server() 除了接收 一个函数作为任务函数外， 还支持传入函数列表或字典，从而使一个PyWebIO Server下 详细内容见函数文档。 注意 注意，在Server模式下，仅能在任务函数上下文中对PyWebIO的交互函数进 行调用。比如如下调用是 不被允许的 import pywebio from pywebio.input import input port = input('Input port number:') # � 在任务函数上下文之外调用了PyWebIO 交互函数！！ pywebio.

onclick=partial(edit_row, row=3))], ]) 注解 在PyWebIO会话(关于会话的概念见下文 Server与script模式 )结束后，事件回 调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函 数来将会话保持，这样在用户关闭浏览器页面前，事件回调将一直可用。 输出域Scope PyWebIO使用Scope模型来对内容输出 [lambda: go_app('task_1')]) hold() def index(): put_link('Go task 1', app='task_1') # 使用app参数指定任务名 put_link('Go task 2', app='task_2') # 等价于 start_server({'index': index, 'task_1': task_1, 'task_2': start_server([index, task_1, task_2]) 使用 path_deploy() 可以从一个路径中部署PyWebIO应用。位于该路径下的 python文件需要包含名字为 main 的PyWebIO任务函数才能被视为PyWebIO应用 程序。服务端会根据用户访问的URL来确定需要加载的文件并从中读取 PyWebIO应用来运行。 例如，给定如下文件结构: . ├── A │ └── a.py

row=3))], ]) 当然，PyWebIO还支持单独的按钮控件: 注解 在PyWebIO会话(关于会话的概念见下文 Server与script模式 )结束后，事件回 调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函 数来将会话保持，这样在用户关闭浏览器页面前，事件回调将一直可用。 输出域Scope PyWebIO使用Scope模型来对内容输出 [lambda: go_app('task_1')]) hold() def index(): put_link('Go task 1', app='task_1') # 使用app参数指定任务名 put_link('Go task 2', app='task_2') start_server([index, task_1, task_2]) # 或 start_server({'index': function documentation. 使用 path_deploy() 可以从一个路径中部署PyWebIO应用。位于该路径下的 python文件需要包含名字为 main 的PyWebIO任务函数才能被视为PyWebIO应用 程序。服务端会根据用户访问的URL来确定需要加载的文件并从中读取 PyWebIO应用来运行。 例如，给定如下文件结构: . ├── A │ └── a.py

动调用相应的回调函数: 当然，PyWebIO还支持单独的按钮控件: 注解 在PyWebIO会话(关于会话的概念见下文 Server与script模式 )结束后，事件回 调也将不起作用，你可以在任务函数末尾处使用 pywebio.session.hold() 函 数来将会话保持，这样在用户关闭浏览器页面前，事件回调将一直可用。 输出域Scope PyWebIO使用Scope模型来对内容输出 [lambda: go_app('task_1')]) hold() def index(): put_link('Go task 1', app='task_1') # 使用app参数指定任务名 put_link('Go task 2', app='task_2') # 等价于 start_server({'index': index, 'task_1': task_1, 'task_2': [https://localhost.run] 提供。 使用 path_deploy() 可以从一个路径中部署PyWebIO应用。位于该路径下的 python文件需要包含名字为 main 的PyWebIO任务函数才能被视为PyWebIO应用 程序。服务端会根据用户访问的URL来确定需要加载的文件并从中读取 PyWebIO应用来运行。 例如，给定如下文件结构: . ├── A │ └── a.py