在 tensorflow federated 中，如何将不同的训练功能分配给不同的客户端？

Question

低级函数tff.federated_mean(tff.federated_map(fn, data)) 将相同的训练函数分配给所有客户端。

有没有办法为客户分配不同的培训功能？

Answer 1

TFF 并不是真正设计为允许寻址不同组中的客户。这是设计使然，因为在联邦学习中，通常应该将客户端组视为单个对象。打开门以区别对待不同的客户似乎会导致收集个人观察的道路，与“一切都在聚合”的理念背道而驰。

但是，这并不意味着 TFF 不支持这种愿望。这里有几个选项。

首先，值得注意的是，当您编写 TFF 时，您通常在三个不同的层次上进行编写。您正在编写纯 TensorFlow 来表达单个计算单元，例如每个客户端要做什么，或者自定义聚合函数。您正在编写“本机 TFF”，因为没有更好的术语来表达编排逻辑，将这些计算单元连接在一起。这方面的示例包括您对上述federated_map 和federated_mean 的调用。最后，您正在编写 Python 来驱动您的实验。这方面的一个示例是将 Python 列表传递给在 CLIENTS 接受联合值的计算。

鉴于此，编写 TFF 计算以区别对待两组客户端的一种方法是简单地编写两个不同的 TFF 计算并在这些不同的组上调用它们。也就是说，您可以在 python 级别保持组拆分，以便 TFF 不知道需要分离这些客户端组。

另一个可能有用的选项是允许客户端选择他们希望运行的计算。这方面的一个例子是以下tf_computation：

@tff.tf_computation(tf.int32)
def foo(x):
  if x > 0:
    return bar(x)
  return baz(x)

其中bar 和baz 也是tf_computation 的实例。

然后可以通过federated_map 将该计算应用于单个客户端组。

如果您将客户端组建模为包含一个指示位，则此选项可以与第一个选项有些结合，因此不是表示放置在 CLIENTS 的数据集的 tf.data.Datasets 列表，而是表示为元组列表它的第一个元素是数据集，第二个元素是一个 int，允许客户端确定他们所在的“组”。

希望这会有所帮助！