如何使用tffapi进行自定义使用？

Question

我仔细阅读和研究了TFFguide和APIs页。但我对一些细节感到困惑。你知道吗

例如，当我想包装/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()

我找不到它们之间有什么区别，什么时候我可以使用它们。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. 如何使用它们来操纵输入？它们在@客户端或@服务器上工作吗？你知道吗
2. 除了tff.federated_mean或tff.federated_sum的输出值将在服务器中之外，我如何在其他用法中使用它们？你知道吗
3. 我如何能够访问@客户端和@服务器中的数据和度量的详细信息？你知道吗
4. 为什么我们要从tff.federated_computation()调用tff.tf_computation()？在这个link中，没有任何关于它们的解释。你知道吗
5. 这些api（例如tff.federated_mean或tff.federated_sum）是否修改了每个@CLIENT的输出元素并将它们带到@SERVER？你知道吗

有人能帮我理解这个概念背后的直觉吗？你知道吗

Answer 1

关于不同函数装饰器的一个可能的经验法则：

• tff.tf_computation用于包装TF逻辑。想想“张量输入，张量输出”：这应该非常类似于tf.function的用法，其中参数和返回值是张量，或者是张量的嵌套结构。TFF内部函数（例如tff.federated_mean）不能在tff.tf_computation内部使用，tff.tf_computations不能调用tff.federated_computations。类型签名始终处于未放置状态。

• tff.federated_computation应该用于包装TFF编程抽象。想想这里的张量，那里的张量：在这个上下文中，tff.tf_computation可以应用于tff.Value，而tff.Value可以使用内部函数与其他位置进行通信。类型签名可以接受联合类型（即带有位置的类型）。

关于你的问题清单：

1. 两者都可以处理放置在CLIENTS或SERVER的值。例如，名为tff.tf_computation的my_comp可以应用于v类型为int32@CLIENTS类型为tff.federated_map(my_comp, v)的值，该值将在每个客户机上运行my_comp。你知道吗
2. ^{}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操作每个客户机上的度量。TFF不适用于不同客户机上的单独选项；抽象不支持寻址个人。您可以在Python中对此进行模拟，请参见Operations performed on the communications between the server and clients。你知道吗
3. 在模拟中，只要从tff.Computation返回并调用该计算，就可以检查所放置数据的值。这些值应该在Python环境中可用。你知道吗
4. tff.tf_computation应该可以从任何地方调用，如果文档中另有说明，请指向它。我相信我们要强调的是tff.federated_computation可以调用tff.tf_computation，但是不能反之亦然。你知道吗
5. 教程（Federated Learning for Image Classification和Federated Learning for Text Generation）展示了在模拟中打印度量的示例。你也可能对how to print local outputs in tensorflow federated?的答案感兴趣
6. tff.tf_computations如果需要，应该直接执行。这将避免TFF的任何联邦部分，并简单地委托给TensorFlow。要将计算应用于联邦值并与联邦内部函数结合使用，必须在tff.federated_computation内部调用它们。你知道吗