问题标签 [tensorflow-federated]

目前，张量流的 federated_learn 似乎只包括对模型的可训练变量起作用的 federated_averaging 之类的东西。我将如何实现需要在服务器上聚合梯度的算法？

谢谢

我想在 tensorflow 联合教程https://www.tensorflow.org/federated/tutorials/federated_learning_for_image_classification中打印客户端的本地输出。我应该怎么办？

我想知道是否有办法跨多个分布式物理设备（例如，虚拟机）运行tff 。到目前为止，我还没有弄清楚如何部署它，并且教程显示此版本仅用于模拟。

我正在评估回归问题的 keras 和 tensorflow 联合模型性能。性能基本上是两者的MSE。唯一的区别是： 1. 数据集的拆分方式。2.损失函数：

请帮助我改进联合模型。

目前的结果是（Local_Loss 是 keras 模型，FL_Loss_arr：是每个客户端的损失，Fed_eval_arr：是聚合模式的损失）

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：

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？

我已经准确地阅读和研究了 TFF指南和API页面。但我对这些功能的使用以及如何控制它们感到困惑。

例如，在教程中，有一个函数负责聚合指标。

它在MODEL类中调用。但是在类中调用度量之后，我需要访问度量的元素。我想在模型中调用后修改指标并在其他函数中调用它们。
但是，例如，我不能调用它们（例如，使用tff.Type诸如.type_signature，因为它需要 namedTuple __getattr__）。而且我不明白它们如何在其他函数的代码体中使用的概念背后的直观概念？
在 TFF 中，我希望每个函数在服务器端或客户端都有一个位置，但是它们都可以在任何函数中访问，这会让人感到困惑。谁负责计算？@CLIENT 还是 @SERVER？
谁能帮助我？

我试图在没有运气的情况下获得张量流模型中所有客户的损失。发布如何在 tensorflow federated 中打印本地输出的答案？ 建议从头开始创建我们的 NN 模型。但是，我已经有了我的 keras NN 模型。那么有没有办法在不必从头开始构建 NN 的情况下仍然访问本地客户损失？

我尝试使用 tff.federated_collect()，但不确定这怎么可能。

这部分是我的尝试：

这是我收到的错误：

我面临一个有点烦人的问题。tensorflow 联合训练（初始化和下一步）需要很长时间才能开始（我不是在谈论完成时间，只是开始时间需要一段时间）。

我怀疑这是由于使用：1）使用 eager_mode():，或 2）使用改组，如下所示：

这就是我所做的：

这是我收到的警告：

我正在尝试指定通过联合框架传递给每个客户端以进行训练/验证的验证数据。我知道 tensorflow-federated 对每个客户端的数据集进行随机抽样并对其进行验证。但是，如果我的数据（在一个子集中）非常相关，我如何（在 TFF 框架中）为每个客户端指定验证数据集？你认为在这里改组数据有意义吗？（例如使用 DS.repeat(FL_rpt).shuffle(FL_shuf).batch(FL_batch)：）如果是这样，对 shuffle_buffer 大小有什么建议吗？

在 keras 训练中，我们有以下内容在集合 A 上训练模型并在集合 B 上验证训练：

我们如何对联邦框架做同样的事情？

我试图为联合平均编写一个自定义聚合函数。替换“federated_mean”似乎非常复杂，而且代码很难破译。是否有关于这些“内在”的任何文档/示例？（在代码中这样调用）

谢谢！