问题标签 [tensorflow-federated]

TensorFlow (TF) 和 TensorFlow Federated (TFF) 是不同的功能层，旨在很好地协同工作（顾名思义）。

尽管如此，它们是不同的东西，旨在解决不同的问题。

我想知道以原始 TF 和 TFF 工作负载都可以使用的方式来描述计算的最佳方式是什么，以及人们可能想要避免的那种陷阱。

为 Tensorflow 联合模拟准备 ImageNet（或其他大型数据集）的有效方法是什么？特别是在 tf.Dataset 对象上应用自定义地图功能？我查看了教程和文档，但没有发现任何对这个用例有帮助的东西。本教程 ( https://www.tensorflow.org/federated/tutorials/custom_federated_algorithms_2 ) 展示了 MNIST 处理，但该数据集相对较小。

我正在尝试在联合学习场景中训练深度强化学习模型。Tensorflow Federated (TFF) 是否支持将强化学习 (RL) 作为 ML 模型？我知道联邦学习主要是针对监督学习进行讨论的，我很好奇强化学习是否也可以在 TFF 中使用。

如果是这样，你会推荐哪个库在 TFF 中使用 RL？

我想将这篇博文中的循环自动编码器改编为在联合环境中工作。

我稍微修改了模型以符合TFF 图像分类教程中显示的示例。

gen 函数定义如下：

到目前为止，我一直无法找到任何不使用 TFF 存储库中的示例数据的文档。

如何修改它以创建联合数据集并开始训练？

我试图用我自己的基于 CNN 的 Keras 模型重新实现github 教程。但是我在评估时遇到了错误。

我期望对测试数据进行评估，但实际输出是以下错误：

我无法调整现有的 Keras 模型以与TenforFlow Federated一起使用。

现有模型是一维卷积自编码器（详情如下图）

现有型号：

训练数据作为numpy.ndarray形状传递(102, 48, 1)。

从概念上讲，这代表 102 天的数据，每个包含 48 个值。如果它有助于回答，我可以提供一个例子。

我尝试转换模型如下所示。

转换模型：

这会产生错误：

到目前为止，我一直无法解决这个问题。这是与我的模型未正确编译有关的问题，还是由于我传递数据的方式？

任何解决此问题的帮助将不胜感激，谢谢！

我正在使用 Keras 的预训练 MobileNet 并希望使用 TensorFlows 联合学习对其进行训练，但我总是收到一个错误，即协议缓冲区无法序列化，因为超过了 2GB 限制。我的输入是 224x224 RGB 图像。

编辑：我有一个包含 1000 个图像的数据集（每个客户端 500 个图像），每个数据集使用 10 个 epoch。

我创建和训练 Keras 模型的代码：

我收到的错误：

联邦学习研究的一部分基于对服务器和客户端之间的通信执行的操作，例如丢弃客户端和服务器之间交换的部分更新（丢弃一些描述模型的梯度）或丢弃来自特定客户端的特定通信中的更新圆形的。我想知道 Tensorflow-federated (TFF) 框架是否支持此类功能以及如何支持它们，因为乍一看，在我看来，TFF API 的抽象级别不允许此类操作。谢谢你。

我正在尝试将联合学习应用于需要两个输入的现有 keras 模型。当我调用tff.learning.from_compiled_keras_model并包含一个虚拟批次时，我收到此错误：ValueError: Layer model_1 expects 2 inputs, but it received 1 input tensors. Inputs received: [<tf.Tensor 'packed:0' shape=(2, 20) dtype=int64>].

该模型接受两个 numpy 数组作为输入，因此我将 dummy_batch 定义为：

我挖了一点，最终看到它tf.convert_to_tensor_or_sparse_tensor在输入列表上被调用（在__init__for 中_KerasModel），它返回一个形状为 (2,20) 的张量，而不是两个单独的数组或张量。是否有其他方法可以表示输入列表以避免此问题？

请在此处找到日志：

这一切都好，但仍然没有编译源代码

https://devtalk.nvidia.com/default/topic/1052076/jetson-tx2/tensorflow_federated-on-tx2-/