flower联邦学习

### Flower Framework for Federated Learning Implementation and Usage

Flower 是一个用于实现联邦学习的开源框架，旨在简化分布式机器学习模型训练的过程。通过提供灵活且高效的接口，Flower 支持多种编程语言和硬件平台，使得开发者能够轻松构建复杂的联邦学习应用场景。

#### 架构概述

Flower 的架构设计遵循客户端-服务器模式，在该结构下存在两个主要组件：服务端（Server）负责协调整个过程并聚合来自各个参与方的数据更新；而多个客户端（Client），则各自独立执行本地计算任务并将结果反馈给服务端[^1]。

import flwr as flower

class MyFedAvg(flower.server.strategy.FedAvg):
    pass  # 自定义策略可在此处扩展
    
strategy = MyFedAvg()
server = flower.Server(client_manager=flower.client.ClientManager(), strategy=strategy)

# 启动服务端
flower.start_server(server, config={"num_rounds": 3})

上述代码展示了如何创建自定义的 `MyFedAvg` 类继承默认的 FedAvg 策略，并启动带有特定配置的服务端实例[^2]。

#### 客户端开发指南

为了使应用程序能够在不同设备上运行作为联邦学习的一部分，需要编写相应的客户端逻辑来处理接收到的任务请求以及上传参数更新至中心节点：

from typing import Dict, Tuple
import numpy as np
import tensorflow as tf
import flwr as flower


def load_data() -> Tuple[tf.data.Dataset, tf.data.Dataset]:
    """加载本地数据集"""
    (x_train, y_train), _ = tf.keras.datasets.mnist.load_data()
    x_train = ...  # 预处理输入特征
    y_train = ...  # 编码标签值
    train_ds = ...
    
    return train_ds, None


class MNISTClient(flower.client.NumPyClient):

    def __init__(self, model: tf.keras.Model, train_set: tf.data.Dataset):
        self.model = model
        self.train_set = train_set
        
    def get_parameters(self) -> List[np.ndarray]:
        return [val.numpy() for _, val in self.model.trainable_variables]

    def fit(self, parameters: List[np.ndarray], config: Dict[str, str]) -> Tuple[List[np.ndarray], int]:
        self.set_parameters(parameters)
        
        history = self.model.fit(
            self.train_set,
            epochs=int(config["local_epochs"]),
            batch_size=int(config["batch_size"])
        )
        
        return self.get_parameters(), len(self.train_set)


model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(10, activation="softmax")
])

train_set, test_set = load_data()

client = MNISTClient(model=model, train_set=train_set)

# 开始连接到FL server
flower.app.start_client(server_address="[::]:8080", client=client)

这段脚本实现了基于 TensorFlow/Keras 的手写数字识别案例，其中包含了从准备数据源到最后建立与远程服务器之间的通信链路所需的全部步骤。