是否可以向不同的客户端发送不同的权重子集？

Question

我正在尝试在服务器上使用 tensorflow-federated select 不同的权重子集并将它们发送到客户端。然后，客户将训练并发回训练好的权重。服务器聚合结果并开始新一轮通信。

主要问题是我无法访问权重的 numpy 版本，因此我不知道如何为每一层访问它们的子集。我尝试使用 tf.gather_nd 和 tf.tensor_scatter_nd_update 来执行 selection 和更新，但它们只适用于张量，而不适用于张量列表（因为 server_state 在 tensorflow-federated ).

有没有人有解决这个问题的提示？甚至可以向每个客户端发送 不同的 权重吗？

Answer 1

如果我的理解正确，编写 TFF 类型 shorthand 中描述的高级计算的方法是：

@tff.federated_computation(...)
def run_one_round(server_state, client_datasets):
  weights_subset = tff.federated_map(subset_fn, server_state)
  clients_weights_subset = tff.federated_broadcast(weights_subset)
  client_models = tff.federated_map(client_training_fn, 
                                    (clients_weights_subset, client_datasets))
  aggregated_update = tff.federated_aggregate(client_models, ...)
  new_server_state = tff.federated_map(apply_aggregated_update_fn, server_state)
  return new_server_state

如果这是真的，那么大部分工作似乎都需要在 subset_fn 中进行，它采用服务器状态和 returns 全局模式权重的子集。通常，模型是 tf.Tensor, which as you observed cannot be used as an argument to tf.gather_nd or tf.tensor_scatter_nd_update. However, they can be be applied pointwise to the structure of tensors uses tf.nest.map_structure 的结构（list 或 dict，可能是嵌套的）。例如，从三个张量的嵌套结构中选择 [0, 0] 处的值：

import tensorflow as tf
import pprint
struct_of_tensors = {
    'trainable': [tf.constant([[2.0, 4.0, 6.0]]), tf.constant([[5.0]])],
    'non_trainable': [tf.constant([[1.0]])],
}
pprint.pprint(tf.nest.map_structure(
    lambda tensor: tf.gather_nd(params=tensor, indices=[[0, 0]]),
    struct_of_tensors))

>>> {'non_trainable': [<tf.Tensor: shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>],
     'trainable': [<tf.Tensor: shape=(1,), dtype=float32, numpy=array([2.], dtype=float32)>,
                   <tf.Tensor: shape=(1,), dtype=float32, numpy=array([5.], dtype=float32)>]}

是否可以向不同的客户端发送不同的权重子集？

Is it possible to send different subset of weights to different clients?

tensorflow

tensorflow2.0

tensorflow-federated