是否可以将不同的权重子集发送给不同的客户端？

问题描述

我正在尝试使用 tensorflow-federated 在服务器上选择不同的权重子集并将它们发送给客户端。然后客户端将训练并发送回训练好的权重。服务器汇总结果并开始新的通信回合。

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 来执行选择和更新，但它们仅适用于张量，而不适用于张量列表（因为 server_state 在 tensorflow-federated 中）。

有没有人有任何提示可以解决这个问题？是否可以向每个客户端发送不同的权重？

解决方法

如果我正确地遵循，编写 TFF 类型速记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，似乎大部分工作需要在 subset_fn 中进行，它获取服务器状态并返回全局模式权重的子集。通常，模型是 tf.Tensor 的结构（list 或 dict，可能嵌套），正如您所观察到的，它不能用作 tf.gather_nd 或 {{3} 的参数}.但是，它们可以逐点应用于使用 tf.tensor_scatter_nd_update 的张量结构。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,numpy=array([2.],dtype=float32)>,<tf.Tensor: shape=(1,numpy=array([5.],dtype=float32)>]}