TensorFlow Federated 能否在生产环境中使用，例如在手机上？
目前不能。尽管我们在设计 TFF 时考虑到了在实际设备中的部署，但是目前，我们还尚未提供任何用于此目的的工具。当前版本旨在用于实验用途，例如表达新的联合算法，或使用随附的模拟运行时来通过您自己的数据集尝试联合学习。
我们预期，随着围绕 TFF 的开源生态系统的不断发展，将提供针对物理部署平台的运行时。
如何使用 TFF 对大型数据集进行实验？
TFF 初始版本中包含的默认运行时仅适用于小型实验，例如我们在教程中介绍的实验，其中（所有模拟客户端的）全部数据同时装入一台计算机的内存中，并且整个实验均在 Colab 笔记本中本地运行。
我们的近期未来路线图包括一个高性能运行时，可用于处理包含大型数据集和大量客户端的实验。
如何确保 TFF 中的随机性符合我的期望？
由于 TFF 已将联合计算纳入其核心，因此 TFF 的作者将不负责控制进入 TensorFlow Session 或在这些会话中调用 run 的位置和方式。如果设置了种子，则随机性的语义可以取决于 TensorFlow Session 的进入和退出。我们建议使用 TensorFlow 2 样式随机性，例如从 TF 1.14 开始使用 tf.random.experimental.Generator。这会使用 tf.Variable 管理其内部状态。
为了帮助管理期望，TFF 允许对其序列化的 TensorFlow 设置运算级种子，但不能设置计算图级种子。这是因为运算级种子的语义在 TFF 设置中应该更清楚：每次调用包装为 tf_computation 的函数时，都会生成确定性序列，并且只有在此调用内，伪随机数生成器所作的任何保证才成立。请注意，这与在 Eager 模式下调用 tf.function 的语义不太一样；每次调用 tf_computation 时，TFF 都会高效地进入和退出唯一的 tf.Session，而在 Eager 模式下反复调用函数则类似于在同一会话内在输出张量上反复调用 sess.run。
如何做贡献？
FedJAX 和 TensorFlow Federated 之间是什么关系？
TensorFlow Federated (TFF) 是一个成熟的联合学习和分析框架，旨在简化不同算法和功能的组合过程，并且支持跨不同的模拟和部署场景移植代码。TFF 提供可扩展的运行时并通过其标准 API 支持许多隐私、压缩和优化算法。此外，TFF 还支持多种类型的 FL 研究，google-research 仓库中收集了来自已发表的 Google 论文的示例集合。
相比之下，FedJAX 是一个基于 Python 和 JAX 的轻量级模拟库，专注于用于研究目的的联合学习算法的易用性和快速原型设计。TensorFlow Federated 和 FedJAX 作为单独的项目开发，没有代码可移植性的预期。