使用 tff.federated_select 向特定客户端发送不同数据

本教程演示了如何在 TFF 中实现需要向不同客户端发送不同数据的自定义联邦算法。您可能已经熟悉 tff.federated_broadcast，它将单个服务器放置的值发送到所有客户端。本教程重点介绍将服务器端值的不同部分发送到不同客户端的情况。这对于将模型的不同部分分配到不同的客户端以避免将整个模型发送到任何单个客户端可能很有用。

让我们从导入 tensorflow 和 tensorflow_federated 开始。

pip install --quiet --upgrade tensorflow-federated

import numpy as np
import tensorflow as tf
import tensorflow_federated as tff

根据客户端数据发送不同的值

考虑我们有一些服务器放置的列表，我们希望根据一些客户端放置的数据向每个客户端发送几个元素的情况。例如，服务器上的字符串列表，以及客户端上的逗号分隔的索引列表以供下载。我们可以按如下方式实现：

list_of_strings_type = tff.TensorType(np.str_, [None])
# We only ever send exactly two values to each client. The number of keys per
# client must be a fixed number across all clients.
number_of_keys_per_client = 2
keys_type = tff.TensorType(np.int32, [number_of_keys_per_client])
get_size = tff.tensorflow.computation(lambda x: tf.size(x))
select_fn = tff.tensorflow.computation(lambda val, index: tf.gather(val, index))
client_data_type = np.str_

# A function from our client data to the indices of the values we'd like to
# select from the server.
@tff.tensorflow.computation(client_data_type)
def keys_for_client(client_string):
  # We assume our client data is a single string consisting of exactly three
  # comma-separated integers indicating which values to grab from the server.
  split = tf.strings.split([client_string], sep=',')[0]
  return tf.strings.to_number([split[0], split[1]], tf.int32)

@tff.tensorflow.computation(tff.SequenceType(np.str_))
def concatenate(values):
  def reduce_fn(acc, item):
    return tf.cond(tf.math.equal(acc, ''),
                   lambda: item,
                   lambda: tf.strings.join([acc, item], ','))
  return values.reduce('', reduce_fn)

@tff.federated_computation(tff.FederatedType(list_of_strings_type, tff.SERVER), tff.FederatedType(client_data_type, tff.CLIENTS))
def broadcast_based_on_client_data(list_of_strings_at_server, client_data):
  keys_at_clients = tff.federated_map(keys_for_client, client_data)
  max_key = tff.federated_map(get_size, list_of_strings_at_server)
  values_at_clients = tff.federated_select(keys_at_clients, max_key, list_of_strings_at_server, select_fn)
  value_at_clients = tff.federated_map(concatenate, values_at_clients)
  return value_at_clients

然后，我们可以通过提供服务器放置的字符串列表以及每个客户端的字符串数据来模拟我们的计算

client_data = ['0,1', '1,2', '2,0']
broadcast_based_on_client_data(['a', 'b', 'c'], client_data)

[<tf.Tensor: shape=(), dtype=string, numpy=b'a,b'>,
 <tf.Tensor: shape=(), dtype=string, numpy=b'b,c'>,
 <tf.Tensor: shape=(), dtype=string, numpy=b'c,a'>]

向每个客户端发送一个随机元素

或者，将服务器数据的随机部分发送到每个客户端可能很有用。我们可以通过首先在每个客户端上生成一个随机密钥，然后按照与上面类似的选择过程进行实现

@tff.tensorflow.computation(np.int32)
def get_random_key(max_key):
  return tf.random.uniform(shape=[1], minval=0, maxval=max_key, dtype=tf.int32)

list_of_strings_type = tff.TensorType(np.str_, [None])
get_size = tff.tensorflow.computation(lambda x: tf.size(x))
select_fn = tff.tensorflow.computation(lambda val, index: tf.gather(val, index))

@tff.tensorflow.computation(tff.SequenceType(np.str_))
def get_last_element(sequence):
  return sequence.reduce('', lambda _initial_state, val: val)

@tff.federated_computation(tff.FederatedType(list_of_strings_type, tff.SERVER))
def broadcast_random_element(list_of_strings_at_server):
  max_key_at_server = tff.federated_map(get_size, list_of_strings_at_server)
  max_key_at_clients = tff.federated_broadcast(max_key_at_server)
  key_at_clients = tff.federated_map(get_random_key, max_key_at_clients)
  random_string_sequence_at_clients = tff.federated_select(
      key_at_clients, max_key_at_server, list_of_strings_at_server, select_fn)
  # Even though we only passed in a single key, `federated_select` returns a
  # sequence for each client. We only care about the last (and only) element.
  random_string_at_clients = tff.federated_map(get_last_element, random_string_sequence_at_clients)
  return random_string_at_clients

由于我们的 broadcast_random_element 函数不接受任何客户端放置的数据，因此我们必须使用默认的客户端数量配置 TFF 模拟运行时

tff.backends.native.set_sync_local_cpp_execution_context(default_num_clients=3)

然后，我们可以模拟选择。我们可以更改上面的 default_num_clients 以及下面的字符串列表以生成不同的结果，或者只需重新运行计算以生成不同的随机输出。

broadcast_random_element(tf.convert_to_tensor(['foo', 'bar', 'baz']))