用TFF构建fed_avg

learning API

tff.learning包封装了常见的联邦学习算法（如 FedAvg）

直接用就行 如直接用 ： tff.learning.algorithms.build_weighted_fed_avg

Core API

主要在tff包下面

允许自定义联邦学习算法的分布式逻辑。

将 TensorFlow 代码与分布式通信操作结合，无需关注通信细节。

是构建 tff.learning 的基础。

TFF 核心功能

• 联邦数据、联邦数据存放位置/数据类型
  • 数据放置在服务器 (@SERVER) 或客户端 (@CLIENTS)，如 {float32}@CLIENTS 表示客户端上的浮点数集合。
  • 有分布式语义，忽略通信细节

• 数据转换方式/联邦计算
  • 需要 @tff.federated_computation 装饰器装饰
  • 定义分布式逻辑，可以管理数据在客户端服务器间的流动，而无需写通信代码。例如，federated_mean 计算客户端数据的平均值并返回至服务器。

#  例子：对所有客户端的分数平均
@tff.federated_computation(tff.FederatedType(tf.float32, tff.CLIENTS)) # 表示输入是客户端设备上的浮点数
def compute_average(client_scores):
    return tff.federated_mean(client_scores)

• 联邦算子
  • tff内置的实现好的联邦计算
  • federated_broadcast：从服务器广播数据到客户端。
  • federated_map：在客户端并行执行计算。
  • federated_mean：聚合客户端结果到服务器。

使用 TFF 自定义构建联邦学习的步骤

FedAvg 算法为例（和TensorFlow实现有哪些不同）：

1. 数据准备
   • 使用 TFF 加载联邦数据集，如mnist的联邦版本： tff.simulation.datasets.emnist.load_data()。
2. 模型准备
   • 要把原本用tf.Keras写的模型用 TFF 的 tff.learning.models.functional_model_from_keras 包装，将这些本地逻辑封装并扩展到分布式环境。
3. 初始化服务器状态
   • 模型初始化，返初始化逻辑放在 @tff.federated_computation 中并指定为 tff.SERVER 放置位置。
4. 客户端更新
   • 本地训练逻辑由 tf.Keras实现
   • 用 tff.tensorflow.computation 封装，结合 federated_map 分发到客户端。
5. 服务器广播
   • 使用 federated_broadcast 将服务器权重发送到客户端。
6. 客户端上传与聚合
   • 使用 federated_mean 聚合客户端更新后的权重。
7. 服务器更新
   • 用 tf.Keras实现 server_update更新逻辑。
   • 然后 tff.tensorflow.computation 封装并应用。

可复用 TensorFlow 代码的步骤

TFF 与 TensorFlow 高度兼容，许多代码可直接复用：

• 使用 tf.keras 定义模型结构
• 使用 tf.data.Dataset 进行数据预处理，如进行本地数据转换，如展平图像、分批处理。
• 本地训练逻辑，如客户端的梯度计算（tf.GradientTape）和优化（tf.keras.optimizers）。
• 在服务器端使用 Keras 模型计算损失和指标。

TFF 的作用是将这些本地逻辑封装并扩展到分布式环境。

通过@tff.federated_computation和数据类型以及位置 封装

隐私保护支持

原生支持差分隐私，没有内置同态加密支持，需要将NTRU同态加密 使用联邦算法实现（使用@tff.federated_computation装饰，并定义好数据和位置）

#  例子：对所有客户端的分数平均
@tff.federated_computation(tff.FederatedType(tf.float32, tff.CLIENTS)) # 表示输入是客户端设备上的浮点数
def compute_average(client_scores):
    return tff.federated_mean(client_scores)