इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

टेक्स्ट जनरेशन के लिए फेडरेटेड लर्निंग

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें

यह ट्यूटोरियल फेडरेशन लर्निंग इन इमेज क्लासिफिकेशन ट्यूटोरियल के कॉन्सेप्ट पर बनाता है, और फ़ेडरेटेड लर्निंग के लिए कई अन्य उपयोगी तरीकों को प्रदर्शित करता है।

विशेष रूप से, हम पहले से प्रशिक्षित Keras मॉडल को लोड करते हैं, और एक (नकली) विकेन्द्रीकृत डेटासेट पर फ़ेडरेटेड प्रशिक्षण का उपयोग करके इसे परिष्कृत करते हैं। यह कई कारणों से व्यावहारिक रूप से महत्वपूर्ण है। क्रमबद्ध मॉडल का उपयोग करने की क्षमता अन्य एमएल दृष्टिकोणों के साथ फेडरेटेड लर्निंग को मिलाना आसान बनाती है। इसके अलावा, यह पूर्व-प्रशिक्षित मॉडल की बढ़ती हुई सीमा का उपयोग करने की अनुमति देता है --- उदाहरण के लिए, खरोंच से प्रशिक्षण भाषा मॉडल शायद ही कभी आवश्यक होते हैं, क्योंकि कई पूर्व-प्रशिक्षित मॉडल अब व्यापक रूप से उपलब्ध हैं (देखें, उदाहरण के लिए, TF हब )। इसके बजाय, यह एक पूर्व-प्रशिक्षित मॉडल से शुरू करने के लिए अधिक समझ में आता है, और फेडरेटेड लर्निंग का उपयोग करके इसे परिष्कृत करता है, एक विशेष अनुप्रयोग के लिए विकेन्द्रीकृत डेटा की विशेष विशेषताओं के साथ अनुकूलन करता है।

इस ट्यूटोरियल के लिए, हम एक RNN से शुरू करते हैं जो ASCII वर्णों को उत्पन्न करता है, और इसे फ़ेडरेटेड लर्निंग के माध्यम से परिष्कृत करता है। हम यह भी दिखाते हैं कि कैसे अंतिम वजन को मूल केरस मॉडल में वापस खिलाया जा सकता है, जिससे मानक उपकरणों का उपयोग करके आसान मूल्यांकन और पाठ पीढ़ी की अनुमति मिलती है।

!pip install --quiet --upgrade tensorflow_federated_nightly
!pip install --quiet --upgrade nest_asyncio

import nest_asyncio
nest_asyncio.apply()
import collections
import functools
import os
import time

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

np.random.seed(0)

# Test the TFF is working:
tff.federated_computation(lambda: 'Hello, World!')()
b'Hello, World!'

पूर्व-प्रशिक्षित मॉडल लोड करें

हम एक मॉडल को लोड करते हैं जो कि RNN के साथ उत्सुक निष्पादन के साथ TensorFlow tutorial पाठ पीढ़ी के बाद पूर्व-प्रशिक्षित था। हालांकि, द कम्प्लीट वर्क्स ऑफ शेक्सपियर पर प्रशिक्षण के बजाय, हमने चार्ल्स डिकेंस के ए टेल ऑफ़ टू सिटीज़ और ए क्रिसमस कैरोल से पाठ पर मॉडल को पूर्व-प्रशिक्षित किया।

शब्दावली का विस्तार करने के अलावा, हमने मूल ट्यूटोरियल को संशोधित नहीं किया है, इसलिए यह प्रारंभिक मॉडल अत्याधुनिक नहीं है, लेकिन यह उचित भविष्यवाणियों का उत्पादन करता है और हमारे ट्यूटोरियल उद्देश्यों के लिए पर्याप्त है। अंतिम मॉडल को tf.keras.models.save_model(include_optimizer=False) साथ सहेजा गया था।

हम इस ट्यूटोरियल में शेक्सपियर के लिए इस मॉडल को फाइन-ट्यून करने के लिए उपयोग करेंगे, TFF द्वारा प्रदान किए गए डेटा के एक फ़ेडरेटेड संस्करण का उपयोग करते हुए।

वोकैब लुकअप टेबल जेनरेट करें

# A fixed vocabularly of ASCII chars that occur in the works of Shakespeare and Dickens:
vocab = list('dhlptx@DHLPTX $(,048cgkoswCGKOSW[_#\'/37;?bfjnrvzBFJNRVZ"&*.26:\naeimquyAEIMQUY]!%)-159\r')

# Creating a mapping from unique characters to indices
char2idx = {u:i for i, u in enumerate(vocab)}
idx2char = np.array(vocab)

पहले से प्रशिक्षित मॉडल को लोड करें और कुछ पाठ उत्पन्न करें

def load_model(batch_size):
  urls = {
      1: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel',
      8: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch8.kerasmodel'}
  assert batch_size in urls, 'batch_size must be in ' + str(urls.keys())
  url = urls[batch_size]
  local_file = tf.keras.utils.get_file(os.path.basename(url), origin=url)  
  return tf.keras.models.load_model(local_file, compile=False)
def generate_text(model, start_string):
  # From https://www.tensorflow.org/tutorials/sequences/text_generation
  num_generate = 200
  input_eval = [char2idx[s] for s in start_string]
  input_eval = tf.expand_dims(input_eval, 0)
  text_generated = []
  temperature = 1.0

  model.reset_states()
  for i in range(num_generate):
    predictions = model(input_eval)
    predictions = tf.squeeze(predictions, 0)
    predictions = predictions / temperature
    predicted_id = tf.random.categorical(
        predictions, num_samples=1)[-1, 0].numpy()
    input_eval = tf.expand_dims([predicted_id], 0)
    text_generated.append(idx2char[predicted_id])

  return (start_string + ''.join(text_generated))
# Text generation requires a batch_size=1 model.
keras_model_batch1 = load_model(batch_size=1)
print(generate_text(keras_model_batch1, 'What of TensorFlow Federated, you ask? '))
Downloading data from https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel
16195584/16193984 [==============================] - 0s 0us/step
16203776/16193984 [==============================] - 0s 0us/step
What of TensorFlow Federated, you ask? Sall
yesterday. Received the Bailey."

"Mr. Lorry, grimmering himself, or low varked thends the winter, and the eyes of Monsieur
Defarge. "Let his mind, hon in his
life and message; four declare 

फेडरेटेड शेक्सपियर डेटा को लोड और प्रीप्रोसेस करें

tff.simulation.datasets पैकेज विभिन्न प्रकार के डेटासेट प्रदान करता है जो "क्लाइंट" में विभाजित होते हैं, जहां प्रत्येक क्लाइंट एक विशेष डिवाइस पर एक डेटासेट से मेल खाता है जो कि फ़ेडरेटेड लर्निंग में भाग ले सकता है।

ये डेटासेट वास्तविक गैर-आईआईडी डेटा वितरण प्रदान करते हैं जो वास्तविक विकेंद्रीकृत डेटा पर प्रशिक्षण की चुनौतियों का अनुकरण करते हैं। इस डेटा के कुछ पूर्व प्रसंस्करण लीफ प्रोजेक्ट ( जीथूब ) से उपकरणों का उपयोग करके किया गया था।

train_data, test_data = tff.simulation.datasets.shakespeare.load_data()

Shakespeare.load_data shakespeare.load_data() द्वारा प्रदान किए गए डेटासेट में शेक्सपियर के नाटक में एक विशेष वर्ण द्वारा बोली जाने वाली प्रत्येक पंक्ति के लिए स्ट्रिंग Tensors का एक क्रम शामिल है। क्लाइंट कुंजियों में नाटक का नाम चरित्र के नाम के साथ शामिल होता है, इसलिए उदाहरण के लिए MUCH_ADO_ABOUT_NOTHING_OTHELLO , नाटक ओथेलो के लिए लाइनों से मेल खाता है जो कुछ भी नहीं है । ध्यान दें कि एक वास्तविक फ़ेडरेटेड सीखने के परिदृश्य में ग्राहकों को कभी भी आईडी द्वारा पहचाना या ट्रैक नहीं किया जाता है, लेकिन सिमुलेशन के लिए यह कुंजीयुक्त डेटासेट के साथ काम करना उपयोगी होता है।

यहाँ, उदाहरण के लिए, हम किंग लियर के कुछ आंकड़ों को देख सकते हैं:

# Here the play is "The Tragedy of King Lear" and the character is "King".
raw_example_dataset = train_data.create_tf_dataset_for_client(
    'THE_TRAGEDY_OF_KING_LEAR_KING')
# To allow for future extensions, each entry x
# is an OrderedDict with a single key 'snippets' which contains the text.
for x in raw_example_dataset.take(2):
  print(x['snippets'])
tf.Tensor(b'', shape=(), dtype=string)
tf.Tensor(b'What?', shape=(), dtype=string)

अब हम ऊपर लोड किए गए RNN के प्रशिक्षण के लिए इस डेटा को तैयार करने के लिएtf.data.Dataset परिवर्तनों का उपयोग करते हैं।

# Input pre-processing parameters
SEQ_LENGTH = 100
BATCH_SIZE = 8
BUFFER_SIZE = 100  # For dataset shuffling
# Construct a lookup table to map string chars to indexes,
# using the vocab loaded above:
table = tf.lookup.StaticHashTable(
    tf.lookup.KeyValueTensorInitializer(
        keys=vocab, values=tf.constant(list(range(len(vocab))),
                                       dtype=tf.int64)),
    default_value=0)


def to_ids(x):
  s = tf.reshape(x['snippets'], shape=[1])
  chars = tf.strings.bytes_split(s).values
  ids = table.lookup(chars)
  return ids


def split_input_target(chunk):
  input_text = tf.map_fn(lambda x: x[:-1], chunk)
  target_text = tf.map_fn(lambda x: x[1:], chunk)
  return (input_text, target_text)


def preprocess(dataset):
  return (
      # Map ASCII chars to int64 indexes using the vocab
      dataset.map(to_ids)
      # Split into individual chars
      .unbatch()
      # Form example sequences of SEQ_LENGTH +1
      .batch(SEQ_LENGTH + 1, drop_remainder=True)
      # Shuffle and form minibatches
      .shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
      # And finally split into (input, target) tuples,
      # each of length SEQ_LENGTH.
      .map(split_input_target))

ध्यान दें कि मूल अनुक्रमों के निर्माण में और ऊपर के बैचों के निर्माण में, हम drop_remainder=True को सादगी के लिए उपयोग करते हैं। इसका मतलब है कि किसी भी वर्ण (क्लाइंट) के पास कम से कम (SEQ_LENGTH + 1) * BATCH_SIZE वर्णों के खाली डेटासेट नहीं होंगे। इसे संबोधित करने के लिए एक विशिष्ट दृष्टिकोण एक विशेष टोकन के साथ बैचों को पैड करना होगा, और फिर पैडिंग टोकन को ध्यान में नहीं रखने के लिए नुकसान का सामना करना होगा।

यह कुछ हद तक उदाहरण को जटिल करेगा, इसलिए इस ट्यूटोरियल के लिए हम केवल पूर्ण बैचों का उपयोग करते हैं, जैसा कि मानक ट्यूटोरियल में है । हालाँकि, फ़ेडरेटेड सेटिंग में यह समस्या अधिक महत्वपूर्ण है, क्योंकि कई उपयोगकर्ताओं के पास छोटे डेटासेट हो सकते हैं।

अब हम अपने raw_example_dataset को प्रीप्रोसेस कर सकते हैं, और प्रकारों की जाँच कर सकते हैं:

example_dataset = preprocess(raw_example_dataset)
print(example_dataset.element_spec)
(TensorSpec(shape=(8, 100), dtype=tf.int64, name=None), TensorSpec(shape=(8, 100), dtype=tf.int64, name=None))

मॉडल को संकलित करें और प्रीप्रोसेड डेटा पर परीक्षण करें

हम एक uncompiled keras मॉडल भरी हुई है, लेकिन चलाने के लिए keras_model.evaluate , हम एक नुकसान और मीट्रिक के साथ यह संकलन करने की जरूरत है। हम एक ऑप्टिमाइज़र में भी संकलन करेंगे, जिसका उपयोग फेडरेटेड लर्निंग में ऑन-डिवाइस ऑप्टिमाइज़र के रूप में किया जाएगा।

मूल ट्यूटोरियल में चार-स्तरीय सटीकता नहीं थी (भविष्यवाणियों का अंश जहां उच्चतम संभावना सही अगले चार पर रखी गई थी)। यह एक उपयोगी मीट्रिक है, इसलिए हम इसे जोड़ते हैं। हालाँकि, हमें इसके लिए एक नए मीट्रिक वर्ग को परिभाषित करने की आवश्यकता है क्योंकि हमारी भविष्यवाणियों में रैंक 3 है (प्रत्येक BATCH_SIZE * SEQ_LENGTH भविष्यवाणियों के लिए लॉग्स का एक वेक्टर), और SparseCategoricalAccuracy केवल रैंक 2 भविष्यवाणियों की उम्मीद करता है।

class FlattenedCategoricalAccuracy(tf.keras.metrics.SparseCategoricalAccuracy):

  def __init__(self, name='accuracy', dtype=tf.float32):
    super().__init__(name, dtype=dtype)

  def update_state(self, y_true, y_pred, sample_weight=None):
    y_true = tf.reshape(y_true, [-1, 1])
    y_pred = tf.reshape(y_pred, [-1, len(vocab), 1])
    return super().update_state(y_true, y_pred, sample_weight)

अब हम एक मॉडल संकलित कर सकते हैं, और हमारे example_dataset पर इसका मूल्यांकन कर सकते हैं।

BATCH_SIZE = 8  # The training and eval batch size for the rest of this tutorial.
keras_model = load_model(batch_size=BATCH_SIZE)
keras_model.compile(
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[FlattenedCategoricalAccuracy()])

# Confirm that loss is much lower on Shakespeare than on random data
loss, accuracy = keras_model.evaluate(example_dataset.take(5), verbose=0)
print(
    'Evaluating on an example Shakespeare character: {a:3f}'.format(a=accuracy))

# As a sanity check, we can construct some completely random data, where we expect
# the accuracy to be essentially random:
random_guessed_accuracy = 1.0 / len(vocab)
print('Expected accuracy for random guessing: {a:.3f}'.format(
    a=random_guessed_accuracy))
random_indexes = np.random.randint(
    low=0, high=len(vocab), size=1 * BATCH_SIZE * (SEQ_LENGTH + 1))
data = collections.OrderedDict(
    snippets=tf.constant(
        ''.join(np.array(vocab)[random_indexes]), shape=[1, 1]))
random_dataset = preprocess(tf.data.Dataset.from_tensor_slices(data))
loss, accuracy = keras_model.evaluate(random_dataset, steps=10, verbose=0)
print('Evaluating on completely random data: {a:.3f}'.format(a=accuracy))
Downloading data from https://storage.googleapis.com/tff-models-public/dickens_rnn.batch8.kerasmodel
16195584/16193984 [==============================] - 0s 0us/step
16203776/16193984 [==============================] - 0s 0us/step
Evaluating on an example Shakespeare character: 0.402000
Expected accuracy for random guessing: 0.012
Evaluating on completely random data: 0.011

फेडरेटेड लर्निंग वाले मॉडल को फाइन-ट्यून करें

TFF सभी TensorFlow संगणनाओं को क्रमबद्ध करता है, ताकि वे संभावित रूप से एक गैर-पायथन वातावरण में चलाए जा सकें (भले ही इस समय, केवल पायथन में लागू एक अनुकार रनटाइम उपलब्ध हो)। भले ही हम उत्सुक मोड में चल रहे हों, (TF 2.0), वर्तमान में TFF " with tf.Graph.as_default() " स्टेटमेंट के संदर्भ में आवश्यक ऑप्स का निर्माण करके TensorFlow संगणना को क्रमबद्ध करता है। इस प्रकार, हमें एक फ़ंक्शन प्रदान करने की आवश्यकता है जिसे टीएफएफ हमारे मॉडल को एक ग्राफ में नियंत्रित करने के लिए उपयोग कर सकता है। हम इस प्रकार है:

# Clone the keras_model inside `create_tff_model()`, which TFF will
# call to produce a new copy of the model inside the graph that it will 
# serialize. Note: we want to construct all the necessary objects we'll need 
# _inside_ this method.
def create_tff_model():
  # TFF uses an `input_spec` so it knows the types and shapes
  # that your model expects.
  input_spec = example_dataset.element_spec
  keras_model_clone = tf.keras.models.clone_model(keras_model)
  return tff.learning.from_keras_model(
      keras_model_clone,
      input_spec=input_spec,
      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[FlattenedCategoricalAccuracy()])

अब हम एक फेडरेटेड एवरेजिंग पुनरावृत्ति प्रक्रिया का निर्माण करने के लिए तैयार हैं, जिसका उपयोग हम मॉडल को बेहतर बनाने के लिए करेंगे (फेडरेटेड एवरेजिंग एल्गोरिदम पर विवरण के लिए, विकेंद्रीकृत डेटा से डीप नेटवर्क के पेपर कम्युनिकेशन-एफ़िशिएंसी लर्निंग देखें )।

हम संघनित प्रशिक्षण के प्रत्येक दौर के बाद मानक (गैर-फ़ेडरेटेड) मूल्यांकन करने के लिए संकलित केरस मॉडल का उपयोग करते हैं। यह शोध के उद्देश्यों के लिए उपयोगी है जब सिम्युलेटेड फ़ेडरेटेड लर्निंग कर रहा है और एक मानक परीक्षण डेटासेट है।

एक यथार्थवादी उत्पादन सेटिंग में, इसी तकनीक का उपयोग फेडरेटेड लर्निंग से प्रशिक्षित मॉडल लेने और परीक्षण या गुणवत्ता आश्वासन उद्देश्यों के लिए एक केंद्रीकृत बेंचमार्क डेटासेट पर मूल्यांकन करने के लिए किया जा सकता है।

# This command builds all the TensorFlow graphs and serializes them: 
fed_avg = tff.learning.build_federated_averaging_process(
    model_fn=create_tff_model,
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(lr=0.5))

यहां सबसे सरल संभव लूप है, जहां हम एक एकल बैच पर एक क्लाइंट पर एक राउंड के लिए फेडरेटेड औसत चलाते हैं:

state = fed_avg.initialize()
state, metrics = fed_avg.next(state, [example_dataset.take(5)])
train_metrics = metrics['train']
print('loss={l:.3f}, accuracy={a:.3f}'.format(
    l=train_metrics['loss'], a=train_metrics['accuracy']))
loss=4.403, accuracy=0.132

अब आइए थोड़ा और दिलचस्प प्रशिक्षण और मूल्यांकन लूप लिखें।

ताकि यह अनुकरण अभी भी अपेक्षाकृत जल्दी से चल सके, हम प्रत्येक दौर में एक ही तीन ग्राहकों को प्रशिक्षित करते हैं, केवल प्रत्येक के लिए दो मिनीबैच पर विचार करते हैं।

def data(client, source=train_data):
  return preprocess(source.create_tf_dataset_for_client(client)).take(5)


clients = [
    'ALL_S_WELL_THAT_ENDS_WELL_CELIA', 'MUCH_ADO_ABOUT_NOTHING_OTHELLO',
]

train_datasets = [data(client) for client in clients]

# We concatenate the test datasets for evaluation with Keras by creating a 
# Dataset of Datasets, and then identity flat mapping across all the examples.
test_dataset = tf.data.Dataset.from_tensor_slices(
    [data(client, test_data) for client in clients]).flat_map(lambda x: x)

fed_avg.initialize() द्वारा निर्मित मॉडल की प्रारंभिक स्थिति fed_avg.initialize() मॉडल के लिए यादृच्छिक fed_avg.initialize() पर आधारित है, न कि जो भार लोड किए गए थे, क्योंकि clone_model() वजन को क्लोन नहीं करता है। पूर्व-प्रशिक्षित मॉडल से प्रशिक्षण शुरू करने के लिए, हम लोड किए गए मॉडल से सीधे सर्वर राज्य में मॉडल वजन सेट करते हैं।

NUM_ROUNDS = 5

# The state of the FL server, containing the model and optimization state.
state = fed_avg.initialize()

# Load our pre-trained Keras model weights into the global model state.
state = tff.learning.state_with_new_model_weights(
    state,
    trainable_weights=[v.numpy() for v in keras_model.trainable_weights],
    non_trainable_weights=[
        v.numpy() for v in keras_model.non_trainable_weights
    ])


def keras_evaluate(state, round_num):
  # Take our global model weights and push them back into a Keras model to
  # use its standard `.evaluate()` method.
  keras_model = load_model(batch_size=BATCH_SIZE)
  keras_model.compile(
      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[FlattenedCategoricalAccuracy()])
  state.model.assign_weights_to(keras_model)
  loss, accuracy = keras_model.evaluate(example_dataset, steps=2, verbose=0)
  print('\tEval: loss={l:.3f}, accuracy={a:.3f}'.format(l=loss, a=accuracy))


for round_num in range(NUM_ROUNDS):
  print('Round {r}'.format(r=round_num))
  keras_evaluate(state, round_num)
  state, metrics = fed_avg.next(state, train_datasets)
  train_metrics = metrics['train']
  print('\tTrain: loss={l:.3f}, accuracy={a:.3f}'.format(
      l=train_metrics['loss'], a=train_metrics['accuracy']))

print('Final evaluation')
keras_evaluate(state, NUM_ROUNDS + 1)
Round 0
    Eval: loss=3.324, accuracy=0.401
    Train: loss=4.360, accuracy=0.155
Round 1
    Eval: loss=4.361, accuracy=0.049
    Train: loss=4.235, accuracy=0.164
Round 2
    Eval: loss=4.219, accuracy=0.177
    Train: loss=4.081, accuracy=0.221
Round 3
    Eval: loss=4.080, accuracy=0.174
    Train: loss=3.940, accuracy=0.226
Round 4
    Eval: loss=3.991, accuracy=0.176
    Train: loss=3.840, accuracy=0.226
Final evaluation
    Eval: loss=3.909, accuracy=0.171

डिफ़ॉल्ट परिवर्तनों के साथ, हमने एक बड़ा अंतर बनाने के लिए पर्याप्त प्रशिक्षण नहीं किया है, लेकिन यदि आप अधिक शेक्सपियर डेटा पर प्रशिक्षण देते हैं, तो आपको अद्यतन मॉडल के साथ उत्पन्न पाठ की शैली में अंतर देखना चाहिए:

# Set our newly trained weights back in the originally created model.
keras_model_batch1.set_weights([v.numpy() for v in keras_model.weights])
# Text generation requires batch_size=1
print(generate_text(keras_model_batch1, 'What of TensorFlow Federated, you ask? '))
What of TensorFlow Federated, you ask? Shalways, I will call your
compet with any city brought their faces uncompany," besumed him. "When he
sticked Madame Defarge pushed the lamps.

"Have I often but no unison. She had probably come, 

सुझाए गए एक्सटेंशन

यह ट्यूटोरियल सिर्फ पहला कदम है! यहाँ कुछ विचार दिए गए हैं कि आप इस नोटबुक को विस्तारित करने का प्रयास कैसे कर सकते हैं:

  • अधिक यथार्थवादी प्रशिक्षण लूप लिखें जहां आप ग्राहकों को बेतरतीब ढंग से प्रशिक्षित करने के लिए नमूना लेते हैं।
  • स्थानीय डेटा के कई युगों (जैसे मैकमैहन एट अल। ) में प्रयास करने के लिए क्लाइंट डेटासेट पर " .repeat(NUM_EPOCHS) " का उपयोग करें। छवि वर्गीकरण के लिए फेडरेटेड लर्निंग भी देखें जो ऐसा करता है।
  • ग्राहक पर विभिन्न अनुकूलन एल्गोरिदम का उपयोग करने के लिए compile() कमांड को बदलें।
  • सर्वर पर मॉडल अपडेट को लागू करने के लिए अलग-अलग एल्गोरिदम की कोशिश करने के लिए build_federated_averaging_process लिए server_optimizer तर्क का प्रयास करें।
  • क्लाइंट के विभिन्न build_federated_averaging_process को आज़माने के लिए build_federated_averaging_process को client_weight_fn तर्क build_federated_averaging_process । डिफ़ॉल्ट वेट क्लाइंट अपडेट को क्लाइंट पर उदाहरणों की संख्या से client_weight_fn=lambda _: tf.constant(1.0) , लेकिन आप कर सकते हैं जैसे client_weight_fn=lambda _: tf.constant(1.0)