flower
1.0.0
Site Web | Blog | Docs | Conférence | Mou
Flower ( flwr ) est un cadre pour construire des systèmes d'IA fédérés. La conception de la fleur est basée sur quelques principes directeurs:
Personnalisable : les systèmes d'apprentissage fédérés varient follement d'un cas d'utilisation à un autre. La fleur permet une large gamme de configurations différentes en fonction des besoins de chaque cas d'utilisation individuelle.
Extensible : Flower est originaire d'un projet de recherche à l'Université d'Oxford, il a donc été construit en pensant à la recherche sur l'IA. De nombreux composants peuvent être étendus et remplacés pour construire de nouveaux systèmes de pointe.
Framework-AGNOSTIC : Différents cadres d'apprentissage automatique ont des forces différentes. La fleur peut être utilisée avec n'importe quel cadre d'apprentissage automatique, par exemple, pytorch, tensorflow, transformateurs de visage étreintes, foudre Pytorch, Scikit-Learn, Jax, Tflite, Monai, Fastai, Mlx, Xgboost, Pandas pour l'analyse fédérée, ou même Numpy brut pour les utilisateurs qui aiment le calcul des gradies de la main.
Compréhensible : la fleur est écrite avec la maintenabilité à l'esprit. La communauté est encouragée à lire et à contribuer à la base de code.
Rencontrez la communauté des fleurs sur Flower.ai!
L'objectif de Flower est de rendre l'apprentissage fédéré accessible à tous. Cette série de tutoriels présente les principes fondamentaux de l'apprentissage fédéré et comment les mettre en œuvre en fleurs.
Qu'est-ce que l'apprentissage fédéré?
(ou ouvrir le cahier Jupyter)
Une introduction à l'apprentissage fédéré
(ou ouvrir le cahier Jupyter)
Utilisation de stratégies dans l'apprentissage fédéré
(ou ouvrir le cahier Jupyter)
Bâtiment stratégies pour l'apprentissage fédéré
(ou ouvrir le cahier Jupyter)
Clients personnalisés pour l'apprentissage fédéré
(ou ouvrir le cahier Jupyter)
Restez à l'écoute, d'autres tutoriels arrivent bientôt. Les sujets incluent la confidentialité et la sécurité dans l'apprentissage fédéré et la mise à l'échelle de l'apprentissage fédéré .
(ou ouvrir le cahier Jupyter)
Docs de fleurs:
Flower Bashelines est une collection de projets transmis par la communauté qui reproduisent les expériences réalisées dans des publications d'apprentissage fédérées populaires. Les chercheurs peuvent s'appuyer sur les lignes de base des fleurs pour évaluer rapidement de nouvelles idées. La communauté des fleurs aime les contributions! Rendez votre travail plus visible et permettez aux autres de le construire en le contribuant comme référence!
Veuillez vous référer à la documentation Flower Baslines pour une catégorisation détaillée des lignes de base et pour des informations supplémentaires, notamment:
Plusieurs exemples de code montrent différents scénarios d'utilisation de fleurs (en combinaison avec des cadres d'apprentissage automatique populaires tels que Pytorch ou TensorFlow).
Exemples QuickStart:
Autres exemples:
La fleur est construite par une merveilleuse communauté de chercheurs et d'ingénieurs. Rejoignez Slack pour les rencontrer, les contributions sont les bienvenues.
Si vous publiez un travail qui utilise Flower, veuillez citer Flower comme suit:
@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 }
}Veuillez également envisager d'ajouter votre publication à la liste des publications basées sur les fleurs dans les documents, ouvrez simplement une demande de traction.
Nous accueillons les contributions. Veuillez consulter contribution.md pour commencer!
