Flower (flwr) 是一个用于构建联邦学习系统的框架，官网是:https://flower.dev/ (opens new window)。

特点

它的设计基于以下指导原则：可定制化：不同的用例需要不同的联邦学习系统。Flower允许根据每个用例的需求进行广泛的配置。

1. Flower是一个通用的联邦学习框架，可以支持多种机器学习库和算法，而其他框架如TensorFlow Federated（TFF）和FedML则更依赖于特定的库或算法。
2. Flower是一个轻量级的联邦学习框架，它只提供了最基本的抽象和接口，让用户可以自由地定义自己的客户端和服务器逻辑，而其他框架如TFF和FedML则提供了更多的内置功能和组件，但也增加了复杂度和限制。
3. Flower是一个跨平台的联邦学习框架，它可以运行在不同的操作系统和硬件上，而其他框架如TFF则只能运行在Linux上。

安装

安装可以使用pip：pip install flwr。如果需要使用pytorch之类的需要额外安装。

模拟

flwr除了支持实际的一个server，多个client这种方式，在很多时候我们需要的是调试代码，因此需要单机模拟。一个官方的demo见github (opens new window).

有以下两个需要注意的地方：

1. 关于“客户端”的理解

在模拟中，为了节省资源，flower采取的措施是在训练时才会实例化一个客户端，训练完之后会销毁。也就是说客户端是一种无状态的对象，不要在客户端内保存任何内容。在训练前会调用set_paramas函数来设定这个客户端的模型参数，客户端本地保存模型参数是没有意义的。

2. 关于flower模拟时内存占用过大的问题

flower的模拟非常占用内存，试试上并不是他的客户端占用，而是服务端。解决办法是调小客户端的进程数。代码实例如下：

server = fl.server.Server(strategy=strategy, client_manager=RLManager())
    server.set_max_workers(1)
    # start simulation
    fl.simulation.start_simulation(
        client_fn=client_fn,
        num_clients=pool_size,
        client_resources=client_resources,
        config=fl.server.ServerConfig(num_rounds=NUM_ROUNDS),
        ray_init_args=ray_init_args,
        server=server,
    )