python - 如何使用 TFF api 进行自定义使用？

Question

我已阅读并研究了 TFF guide和 APIs精确的页面。但我对一些细节部分感到困惑。

例如，当我想要包装/装饰一个TF/python函数时，请使用以下两个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我使用它们。特别是，如果我想使用除 FedAvg 或 FedSgd 之外的其他算法。不知道你是否知道:

1. 如何使用它们来操纵输入？它们在 @CLIENT 或 @SERVER 上工作吗？
2. 除了值将在服务器中的 tff.federated_mean 或 tff.federated_sum 输出之外，我如何在其他用途​​中使用它们？
3. 我如何才能访问@CLIENT和@SERVER中的数据和指标的详细信息？
4. 为什么我们应该从 tff.federated_computation() 调用 tff.tf_computation()？在此link ，没有任何关于它们的解释。
5. 这些 API(例如 tff.federated_mean 或 tff.federated_sum)是否会修改每个 @CLIENT 的输出元素并将它们传送到 @SERVER？

有人可以帮助我理解这个概念背后的直觉吗？

Answer 1

关于不同函数装饰器的可能的经验法则:

• tff.tf_computation用于包装 TF 逻辑。想想“张量输入，张量输出”:这应该与 tf.function 的用法非常相似，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 tff.tf_computation 内部使用，和tff.tf_computations无法调用tff.federated_computations 。类型签名始终未放置。

• tff.federated_computation应用于包装 TFF 编程抽象。想想“这里张量，那里张量”:在这个上下文中，一个 tff.tf_computation可应用于tff.Value和 tff.Value可以使用内在函数与其他展示位置进行通信。类型签名可以接受联合类型(即具有布局的类型)。

您的问题列表:

1. 两者都可以处理 CLIENTS 处的值或SERVER 。例如，tff.tf_computation叫my_comp可以应用于值 v类型 int32@CLIENTS与 tff.federated_map(my_comp, v) ，它将运行 my_comp每个客户端。
2. tff.federated_map() 支持对不在服务器上的数据应用逐点计算(跨客户端)。您可以使用 tff.federated_map 操作每个客户端上的指标。 TFF 不适用于不同客户端的单独选项；抽象不支持对个人进行寻址。您也许可以在 Python 中模拟这一点，请参阅 Operations performed on the communications between the server and clients .
3. 只需从tff.Computation返回放置的数据的值即可在模拟中进行检查。 ，并调用该计算。这些值应该在 Python 环境中可用。
4. tff.tf_computation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 tff.federated_computation可以调用tff.tf_computation ，但反之亦然。
5. 教程( Federated Learning for Image Classification 和 Federated Learning for Text Generation )展示了在模拟中打印指标的示例。您可能还对 how to print local outputs in tensorflow federated? 的答案感兴趣
6. tff.tf_computations如果需要的话应该直接执行。这将避免 TFF 的任何联合部分，而只需委托(delegate)给 TensorFlow。要将计算应用于联合值并与联合内在函数结合使用，必须在 tff.federated_computation 内调用它们。 .