1

我已经准确地阅读和研究了 TFF指南和API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，使用下面这两个 API：

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

我找不到它们之间的区别以及何时允许使用它们。特别是，如果我想使用除FedAvg或FedSgd之外的其他算法。我想知道你是否知道：

  1. 它们如何被用来操纵输入？他们在@CLIENT或@SERVER上工作吗？
  2. tff.federated_mean除了输出或tff.federated_sum值将在服务器中 之外，我如何在其他用途​​中使用它们？
  3. 我如何能够访问@CLIENT和@SERVER中的数据和指标的详细信息？
  4. 为什么我们应该调用tff.tf_computation()from tff.federated_computation()？在这个链接中，没有关于它们的任何解释。
  5. 这些 API（例如tff.federated_mean或tff.federated_sum）是否修改每个@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？

4

1 回答 1

1

关于不同函数装饰器的一个可能的经验法则：

  • tff.tf_computation用于包装 TF 逻辑。想想“张量入，张量出”：这应该与 的用法非常相似tf.function，其中参数和返回值是张量，或张量的嵌套结构。TFF内在函数（例如tff.federated_mean）不能在 a 中使用tff.tf_computation，tff.tf_computations也不能调用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，atff.tf_computation可以应用于tff.Values 并且tff.Values 可以使用内在函数传递到其他位置。类型签名可以接受联合类型（即带有展示位置的类型）。

对于您的问题清单：

  1. 两者都可以处理置于CLIENTS或的值SERVER。例如，tff.tf_computation调用my_comp可以应用于v类型int32@CLIENTS为 with的值tff.federated_map(my_comp, v)，它将my_comp在每个客户端上运行。
  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. TFF 不适用于不同客户端的单独选项；抽象不支持寻址个人。您可以在 Python 中模拟这一点，请参阅对服务器和客户端之间的通信执行的操作。
  3. 放置数据的值可以在模拟中检查，只需从 a 返回tff.Computation并调用该计算即可。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 atff.federated_computation可以调用 a tff.tf_computation，但反之则不然。
  5. 教程（用于图像分类的联邦学习和用于文本生成的联邦学习）展示了在模拟中打印出指标的示例。您可能还对如何在 tensorflow federated 中打印本地输出的答案感兴趣？
  6. tff.tf_computations如果需要，应直接执行。这将避免 TFF 的任何联合部分，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，必须在tff.federated_computation.
于 2019-06-11T17:26:18.193 回答