1.gboardԴ?源码?
gboardԴ??
引言：本文记录了FATE框架中横向和纵向联邦学习的案例使用，并与笔者近期使用过的源码谷歌TFF(TensorFlow-Federated)框架对比，阐述使用感受，源码对研究联邦学习及使用FATE的源码用户极有价值。 1.横向联邦学习案例在本节中，源码以逻辑回归为例记录横向联邦学习案例使用。源码保税溯源码
实验设置文件说明上传数据json文件
upload_my_homolr_guest.json,源码 upload_my_homolr_host.json
组件
test_my_homolr_train_dsl.json
运行时配置文件
test_my_homolr_train_conf.json
实验步骤进入实验环境
1.上传训练数据
注意是先上传guest数据，后上传host数据
2.提交训练任务
3.查看结果
点击提示url可以查看相关结果：
2.纵向联邦学习案例在本节中，源码以secureboost为例记录纵向联邦学习案例使用。源码
实验设置实验步骤上传数据、源码提交任务和查看结果
展示结果实验结果
1.训练中
2.查看结果
点击view this 源码job查看所有结果，同时可以通过切换job查看guest端和host端的源码数据和模型输出，此处只做部分展示：
结果分析模型输出的源码各项指标都很好，结果非常令人满意，源码通过阅读过SecureBoost论文了解到这个算法是源码无损的，所以达到了如此高的指标；secureboost是由xgboost改进而来的，所以训练速度也很快。学校网站ssh源码
小结读者可以根据需求修改以上列举的文件进行不同训练。笔者记录以上案例时使用的是FATE的早期版本，横向联邦学习支持的模块很少，目前FATE框架已经支持深度学习，读者可以尝试使用。
3.使用感受本节笔者将对比FATE框架和TFF框架的使用感受。
1.环境部署FATE框架需要较多软件，安装操作比较琐碎，图书阅读 APP 源码安装过程中可能出一些小问题，但对软件版本对应要求不是很高，环境部署可以参考 这里和 官方GitHub。
TFF框架官方没有中文文档，安装过程中也会出各种各样的错误，支持conda安装；如果使用gpu，需要严格按照版本对应安装，笔者在此吃了不少苦头。微信附源码 2.应用场景FATE框架支持横向、纵向联邦学习；而TFF仅支持横向联邦。
FATE目前已经支持多种算法，TFF同样支持各种算法和深度学习。 3.上手难度FATE如果只是修改部分json文件，还可以接受，但是如果需要大片重置，在linux系统下不是网站ui源码下载很方便；但FATE源码中已搭建好大部分组件结构，基本不需要编写代码，用户可以0基础训练并查看结果。
TFF编译器可以配置到IDE中，编写代码比较方便；但TFF有其federated core等编程范式和API，有一定上手难度，使用时需要编写大量代码。 4.可视化FATE在可视化部分做的比较好，轻松点击便可查看结果。
TFF需要自行编写代码从tf.Session中取出中间和最终结果。 5.调试FATE代码涉及多种语言，且代码封装性较高，笔者由于对python了解甚少，未曾尝试修改FATE中的python代码，更未尝试debug。
TFF笔者使用较少，不过TFF计算时使用静态图并tf.Session保存中间结果，调试也比较困难。 6.GPU支持据笔者目前了解FATE暂时不支持GPU计算，在这一方面TFF更有优势。
7.使用场景FATE支持多方部署，同时可以由多方发起联邦计算，可以用于实验测试和真实环境部署。
TFF虽然是谷歌已经用于实际训练终端Gboard的框架，但据笔者至目前的使用并未发现开放给用户的多方联邦接口，仅适用于实验测试。 本文由盛立杰撰写，微信号：urinmydreaM_，FATE社区特邀作者发布于FATE社区，未经许可，禁止转载。 欢迎关注更多AI技术干货：FedAI联邦学习知乎机构号： FedAI联邦学习- 知乎
