TensorFlow Federated

TensorFlow Federated：基于分散式数据的机器学习

import tensorflow as tf import tensorflow_federated as tff  # Load simulation data. source, _ = tff.simulation.datasets.emnist.load_data() def client_data(n):   return source.create_tf_dataset_for_client(source.client_ids[n]).map(       lambda e: (tf.reshape(e['pixels'], [-1]), e['label'])   ).repeat(10).batch(20)  # Pick a subset of client devices to participate in training. train_data = [client_data(n) for n in range(3)]  # Wrap a Keras model for use with TFF. def model_fn():   model = tf.keras.models.Sequential([       tf.keras.layers.Dense(10, tf.nn.softmax, input_shape=(784,),                             kernel_initializer='zeros')   ])   return tff.learning.from_keras_model(       model,       input_spec=train_data[0].element_spec,       loss=tf.keras.losses.SparseCategoricalCrossentropy(),       metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])  # Simulate a few rounds of training with the selected client devices. trainer = tff.learning.build_federated_averaging_process(   model_fn,   client_optimizer_fn=lambda: tf.keras.optimizers.SGD(0.1)) state = trainer.initialize() for _ in range(5):   state, metrics = trainer.next(state, train_data)   print(metrics['train']['loss'])

TensorFlow Federated (TFF) 是一个开源框架，用于对分散式数据进行机器学习和其他计算。我们开发 TFF 是为了促进联合学习 (FL) 的开放式研究和实验。FL 是一种机器学习方法，使我们能够跨多个参与客户端训练全局共享的模型，并让训练数据留存在本地。例如，FL 已被用于训练手机键盘的预测模型，但不会将敏感的输入数据上传到服务器。

利用 TFF，开发者可基于其模型和数据来模拟所包含的联合学习算法，还可实验新算法。TFF 提供的构建块也可用于实现非学习计算，例如对分散式数据进行聚合分析。TFF 的接口可以分成两层：
Federated Learning (FL) API

该层提供了一组高阶接口，使开发者能够将包含的联合训练和评估实现应用于现有的 TensorFlow 模型。
Federated Core (FC) API

该系统的核心是一组较低阶接口，可以通过在强类型函数式编程环境中结合使用 TensorFlow 与分布式通信运算符，简洁地表达新的联合算法。这一层也是我们构建联合学习的基础。
借助 TFF，开发者能够以声明方式表达联合计算，从而将它们部署到不同的运行时环境中。TFF 包含一个用于实验的单机模拟运行时。请访问相关教程，并自行尝试看看！

如有疑问或想寻求帮助，请在 StackOverflow 上通过 tensorflow-federated 标签与我们联系。