如何使用 TFF api 进行自定义使用？

Question

我已经准确地阅读和研究了 TFF guide 和 APIs 页面。但我对一些细节部分感到困惑。

例如，当我想包装/装饰一个 TF/python 函数时，请使用以下这两个 API：

1. tff.tf_computation()
2. tff.federated_computation()

我找不到它们之间的区别以及何时可以使用它们。特别是，如果我想使用除 FedAvg 或 FedSgd 之外的其他算法。不知你是否知道：

1. 如何使用它们来操纵输入？他们在 @CLIENT 或 @SERVER 上工作吗？
2. 除了tff.federated_mean 或tff.federated_sum 的输出值将在服务器中之外，我如何将它们用于其他用途？
3. 我如何能够访问 @CLIENT 和 @SERVER 中的数据和指标的详细信息？
4. 为什么我们应该从tff.federated_computation() 调用tff.tf_computation()？在这个link 中，没有任何关于它们的解释。
5. 这些 API（例如 tff.federated_mean 或 tff.federated_sum）是否会修改每个 @CLIENT 的输出元素并将它们带到 @SERVER？

谁能帮我理解这个概念背后的直觉？

Answer 1

关于不同函数装饰器的可能经验法则：

• tff.tf_computation 用于包装 TF 逻辑。想想“张量入，张量出”：这应该与tf.function 的用法非常相似，其中参数和返回值是张量，或张量的嵌套结构。 TFF intrinsics（例如tff.federated_mean）不能在tff.tf_computation 中使用，tff.tf_computations 不能调用tff.federated_computations。类型签名始终处于未放置状态。

• tff.federated_computation 应该用于包装 TFF 编程抽象。想想“这里的张量，那里的张量”：在这个上下文中，tff.tf_computation 可以应用于 tff.Values，tff.Values 可以使用 intrinsics。类型签名可以接受联合类型（即带有展示位置的类型）。

对于您的问题列表：

1. 两者都可以处理位于CLIENTS 或SERVER 的值。例如，调用 my_comp 的 tff.tf_computation 可以应用于类型为 int32@CLIENTS 的值 v 和 tff.federated_map(my_comp, v)，这将在每个客户端上运行 my_comp。
2. tff.federated_map() 支持将计算逐点（跨客户端）应用于不在服务器上的数据。您可以使用tff.federated_map 在每个客户端上操作指标。 TFF 不适用于不同客户端的单独选项；抽象不支持寻址个人。您或许可以在 Python 中进行模拟，请参阅 Operations performed on the communications between the server and clients。
3. 只需从tff.Computation 返回并调用该计算，即可在模拟中检查放置数据的值。这些值应该在 Python 环境中可用。
4. tff.tf_computations 应该可以从任何地方调用，如果有文档另有说明，请指出它。我相信想要强调的是tff.federated_computation 可以调用tff.tf_computation，但反之亦然。
5. 教程（Federated Learning for Image Classification 和Federated Learning for Text Generation）显示了在模拟中打印出指标的示例。您可能也对how to print local outputs in tensorflow federated?的答案感兴趣
6. 如果需要，应直接执行tff.tf_computations。这将避免 TFF 的任何 federated 部分，并简单地委托给 TensorFlow。要将计算应用于联合值并与联合内部函数结合使用，它们必须在 tff.federated_computation 内调用。