Website | Blog | Docs | Konferenz | Locker
Flower ( flwr
) ist ein Rahmen für den Bau von Federated AI -Systemen. Das Design der Blume basiert auf einigen Leitprinzipien:
Anpassbar : Föderierte Lernsysteme variieren stark von einem Anwendungsfall zum anderen. Die Blume ermöglicht eine breite Palette verschiedener Konfigurationen, abhängig von den Anforderungen jedes einzelnen Anwendungsfalles.
Erweiterbar : Flower stammt aus einem Forschungsprojekt an der Universität von Oxford und wurde daher mit Berücksichtigung der KI -Forschung gebaut. Viele Komponenten können erweitert und außer Kraft gesetzt werden, um neue hochmoderne Systeme aufzubauen.
Framework-Agnostic : Unterschiedliche Rahmenbedingungen für maschinelles Lernen haben unterschiedliche Stärken. Blume kann mit jedem maschinellen Lerngerüst verwendet werden, zum Beispiel Pytorch, Tensorflow, umarmende Gesichtstransformatoren, Pytorch-Blitz, Scikit-Learn, Jax, Tflite, Monai, Fastai, MLX, Xgboost, Pandas für Verbundanalysen oder sogar Raw Numpy für Benutzer, die für Benutzer mit Absolventen berechnet werden.
Verständlich : Blume ist unter Berücksichtigung von Wartbarkeit geschrieben. Die Community wird ermutigt, sowohl zu lesen als auch zur Codebasis beizutragen.
Treffen Sie die Blumengemeinschaft auf Blume.ai!
Das Ziel von Flower ist es, Federated Learning für alle zugänglich zu machen. Diese Reihe von Tutorials führt die Grundlagen des Föderierten Lernens vor und wie sie in Blumen umsetzen können.
Was ist Federated Learning?
(oder öffnen Sie das Jupyter -Notizbuch)
Eine Einführung in das Federated Learning
(oder öffnen Sie das Jupyter -Notizbuch)
Verwenden von Strategien im Föderierten Lernen
(oder öffnen Sie das Jupyter -Notizbuch)
Aufbau von Strategien für das Föderierte Lernen
(oder öffnen Sie das Jupyter -Notizbuch)
Benutzerdefinierte Kunden für Föderierte Lernen
(oder öffnen Sie das Jupyter -Notizbuch)
Bleiben Sie dran, es gibt bald weitere Tutorials. Zu den Themen gehören Privatsphäre und Sicherheit im Föderierten Lernen und das Skalieren von Verbundern .
(oder öffnen Sie das Jupyter -Notizbuch)
Blumenunterlagen:
Flower Baselines ist eine Sammlung von Community-kontributierten Projekten, die die Experimente reproduzieren, die in populären Veröffentlichungen für föderierte Lernung durchgeführt werden. Forscher können auf Blumengrundlagen aufbauen, um schnell neue Ideen zu bewerten. Die Blumengemeinschaft liebt Beiträge! Machen Sie Ihre Arbeit sichtbarer und ermöglichen es anderen, darauf aufzubauen, indem Sie sie als Basislinie beitragen!
Weitere Informationen finden Sie in der Dokumentation der Blumen -Baselines für eine detaillierte Kategorisierung von Baselines und zusätzliche Informationen, einschließlich:
Mehrere Code -Beispiele zeigen unterschiedliche Nutzungsszenarien von Blumen (in Kombination mit beliebtem maschinellem Lernrahmen wie Pytorch oder Tensorflow).
Beispiele für QuickStart:
Andere Beispiele:
Blume wird von einer wunderbaren Gemeinschaft von Forschern und Ingenieuren gebaut. Schließen Sie sich Slack an, um sie zu treffen, Beiträge sind willkommen.
Wenn Sie Arbeiten veröffentlichen, die Blume verwenden, zitieren Sie bitte Blume wie folgt:
@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 }
}
Bitte erwägen Sie auch, Ihre Veröffentlichung in die Liste der blumbasierten Veröffentlichungen in den DOCs hinzuzufügen. Eröffnen Sie einfach eine Pull-Anfrage.
Wir begrüßen Beiträge. Bitte beachten Sie, dass Sie anfangen!