Flower（flwr）是一个用于构建联邦学习系统的框架。Flower 的设计基于以下几个指导原则：
-
可定制：联邦学习系统在不同用例之间差异很大。Flower 可根据每个用例的需求提供多种不同的配置。
-
可扩展：Flower 源自牛津大学的一个研究项目，因此它是为人工智能研究而构建的。许多组件可以扩展和覆盖，以构建新的先进系统。
-
与框架无关：不同的机器学习框架具有不同的优势。Flower 可与任何机器学习框架一起使用，例如PyTorch、TensorFlow、Hugging Face Transformers、PyTorch Lightning、scikit-learn、JAX、TFLite、MONAI、fastai、MLX、XGBoost、用于联合分析的Pandas，甚至 对于喜欢手动计算梯度的用户来说，原始NumPy 。
-
易于理解：Flower 在编写时充分考虑了可维护性。我们鼓励社区阅读代码库并为其做出贡献。
在flower.ai上与 Flower 社区见面！
Flower 的目标是让每个人都能使用联邦学习。本系列教程介绍了联邦学习的基础知识以及如何在 Flower 中实现它们。
-
什么是联邦学习？
（或打开Jupyter Notebook）
-
联邦学习简介
-
在联邦学习中使用策略
-
构建联邦学习策略
-
联邦学习的自定义客户端
敬请关注，更多教程即将推出。主题包括联邦学习中的隐私和安全以及扩展联邦学习。
（或打开Jupyter Notebook）
花卉文档：
- 安装
- 快速入门 (TensorFlow)
- 快速入门（PyTorch）
- 快速入门（拥抱脸）
- 快速入门（PyTorch Lightning）
- 快速入门（Pandas）
- 快速入门（fastai）
- 快速入门 (JAX)
- 快速入门 (scikit-learn)
- 快速入门 (Android [TFLite])
- 快速入门 (iOS [CoreML])
Flower Baselines 是社区贡献的项目集合，这些项目重现了流行的联邦学习出版物中进行的实验。研究人员可以在 Flower Baselines 的基础上快速评估新想法。Flower 社区喜欢贡献！通过将其作为基准进行贡献，让您的工作更加引人注目，并让其他人能够在此基础上继续发展！
- 大莎
- 深度 FL
- 联邦储备银行
- 联邦元数据
- 联邦职业棒球大联盟
- 联邦储备委员会
- 联邦代理制度
- 联邦新星
- 异质性
- 联邦平均数
- 联邦之星
- FedWav2vec2
- 菲约德
- 月亮
- niid-工作台
- 塔木娜
- 联邦证券交易委员会
- FedXGBoost
- 联邦储备委员会
- 联邦平均数
- 联邦选择
请参阅Flower 基线文档，了解基线的详细分类和其他信息，包括：
几个代码示例展示了 Flower 的不同使用场景（与 PyTorch 或 TensorFlow 等流行的机器学习框架结合）。
快速入门示例：
- 快速入门 (TensorFlow)
- 快速入门（PyTorch）
- 快速入门（拥抱脸）
- 快速入门（PyTorch Lightning）
- 快速入门（fastai）
- 快速入门（Pandas）
- 快速入门 (JAX)
- 快速入门 (MONAI)
- 快速入门 (scikit-learn)
- 快速入门 (Android [TFLite])
- 快速入门 (iOS [CoreML])
- 快速启动 (MLX)
- 快速入门（XGBoost）
其他例子：
- Raspberry Pi 和 Nvidia Jetson 教程
- PyTorch：从集中式到联合式
- 垂直高度
- OpenAI Whisper 的联合微调
- 大型语言模型的联合微调
- 视觉变换器的联合微调
- 使用 TensorFlow/Keras 进行进阶 Flower
- 使用 PyTorch 进行进阶 Flower
- 综合Flower+XGBoost
- 通过 Docker Compose 和 Grafana 仪表板进行 Flower
- 来自生命线库的 KaplanMeierFitter 的 Flower
- 使用 Opacus 进行样本级别隐私
- 使用 TensorFlow-Privacy 进行示例级别隐私
- 使用表格数据集的花朵
Flower 是由一群出色的研究人员和工程师创建的。加入 Slack与他们会面，欢迎贡献。
如果您发表使用 Flower 的作品，请按以下方式引用 Flower：
@article{beutel2020flower, title={Flower: A Friendly Federated Learning Research Framework}, author={Beutel, Daniel J and Topal, Taner and Mathur, Akhil and Qiu, Xinchi and Fernandez-Marques, Javier and Gao, Yan and Sani, Lorenzo and Kwing, Hei Li and Parcollet, Titouan and Gusmão, Pedro PB de and Lane, Nicholas D}, journal={arXiv preprint arXiv:2007.14390}, year={2020} }
请考虑将您的出版物添加到文档中的基于 Flower 的出版物列表中，只需打开一个 Pull 请求即可。
欢迎大家投稿。请参阅CONTRIBUTING.md开始投稿！