有什么方法可以使用tensorflow-federated API在真正的多台机器上进行联合学习？

Question

我正在研究有关Tensorflow联合的API，以便使用真正的多台机器进行联合学习。 但是我在此站点上找到了答案，该答案不支持使用多重学习进行真正的多重联合学习。

有没有办法在真正的多台机器上进行联合学习？

即使我使用2台客户端PC和1台服务器PC来构建用于联合学习的网络结构，使用tensorflow联合API也不可能由该系统组成吗？

或者即使我应用了代码，也无法创建所需的系统吗？

如果您可以修改代码进行配置，可以给我一个提示吗？否则，什么时候在实际计算机上进行配置？

Answer 1

TFF实际上是关于表达您要执行的联合计算。在物理部署方面，TFF包括两个截然不同的运行时：一个“引用执行器”，它简单地解释了TFF在Python中串行生成的语法工件，并且没有任何花哨的构造或优化。另一个仍在开发中，但已在教程中进行了演示，该教程使用asyncio和执行程序层次结构来实现灵活的执行程序体系结构。这两个都是关于仿真和FL研究的，而不是关于部署到设备的。

原则上，这可以解决您的问题（特别是，请参见tff.framework.RemoteExecutor）。但是我假设您正在询问有关部署到“实际” FL系统的更多信息，例如数据来自您无法控制的来源。这确实超出了TFF的范围。通过常见问题解答：

  

尽管我们在设计TFF时考虑到了在实际设备中的部署，但是在此阶段，我们目前不提供任何用于此目的的工具。当前版本旨在用于实验用途，例如表达新颖的联合算法，或使用随附的模拟运行时使用您自己的数据集尝试联合学习。

     

我们预计，随着时间的流逝，围绕TFF的开源生态系统将不断发展，以包括针对物理部署平台的运行时。

Answer 2

如果您仍在寻找某些东西：如果您未绑定到TensorFlow，则可以看看使用PyTorch的{​​{3}}。 PySyft是一个FL系统的实际示例，该FL系统以一台服务器和两台Raspberry Pi为客户端。