TensorFlow Federated

TensorFlow Federated (TFF) 是一个用于分散数据上进行机器学习和其他计算的开源框架。TFF 的开发旨在促进对联邦学习（FL）的开放研究和实验。联邦学习是一种机器学习方法，它在许多参与客户端之间训练共享的全局模型，而这些客户端将其训练数据保留在本地。例如，联邦学习已被用于训练移动键盘的预测模型，而无需将敏感的输入数据上传到服务器。

TFF 使开发人员能够将其模型和数据与包含的联邦学习算法一起使用，并能够尝试新颖的算法。TFF 提供的构建块还可用于实现非学习计算，例如对分散数据的聚合分析。

TFF 的接口分为两层：

联邦学习（FL）API tff.learning 层提供了一组高级接口，允许开发人员将包含的联邦训练和评估实现应用于他们现有的 TensorFlow 模型。
联邦核心（FC）API 系统的核心是一组低级接口，用于通过在强类型函数式编程环境中结合 TensorFlow 和分布式通信运算符来简洁地表达新颖的联邦算法。该层还作为我们构建 tff.learning 的基础。

TFF 使开发人员能够声明式地表达联邦计算，以便可以将其部署到各种运行时环境。TFF 包含一个用于实验的单机模拟运行时。请访问教程并亲自尝试！

安装

有关如何将 TensorFlow Federated 作为软件包安装或从源代码构建 TensorFlow Federated 的说明，请参阅安装文档。

入门

有关如何使用 TensorFlow Federated 的说明，请参阅入门文档。

贡献

根据您的兴趣，有多种贡献方式：

如果您对开发新的联邦学习算法感兴趣，最好的开始方式是研究 tff.learning 中联邦平均和评估的实现，并考虑对现有实现的扩展（或替代方法）。如果您有新算法的提案，我们建议从在 research 目录中搭建项目开始，并包含一个 colab 笔记本来展示新功能。

您可能还想在自己的存储库中开发新算法。我们很乐意在 tensorflow.org/federated 上展示使用 TFF 的学术出版物和/或存储库的链接。
如果您对应用联邦学习感兴趣，可以考虑贡献教程、新的联邦数据集或其他人可以用于实验和测试的示例模型，或编写他人可以用于设置模拟的辅助类。
如果您有兴趣帮助我们改善开发者体验，最好的开始方式是研究 tff.learning API 背后的实现，并思考如何使代码更加精简。您可以贡献基于 FC API 构建的辅助类或建议扩展 FC API 本身。
如果您有兴趣帮助我们开发用于模拟及更多用途的运行时基础设施，请等待未来的版本，我们将在其中介绍为模拟基础设施做贡献的接口和指南。