装了很多天的TFF，偷懒想要直接PIP直接安装，但因为想要基于这个框架实现自己的魔改，踩了很多的坑，dockerfile也试过了，反正就。。安装版本赶不上它更新迭代的速度。。好吧，，暂时信了是程序员就源码安装吧，其实也挺简单的，就是bazel 安装起来又费了很多功夫，，假如也是始终连不上或者resource11 等的问题，，出现各种各样的错误，，于是，后来，我也放弃了，，apt install bazel，，直接下载源码编译吧，，果然是程序员就信源码安装吧，一次通过。 踩过的坑、报过的错，没有专门记录，百度也没找到实质性的解决方案，假如这样，就直接手动编译安装。。
下面记录下对TFF框架的部分学习理解： 致敬：https://github.com/google-research/federated 首先读了差分隐私相关的代码： emnist FLAG的记录值：
KeyValuemodel模型类型，选取cnn、2nnclient_per_round每轮参与训练的客户端数，默认为10client_epochs_per_round每次参与的客户本地训练轮数，默认为1client_batch_size每次参与的客户本地训练的batch值，默认为20uniform_weighting是否平均每个用户的权重，如果每个不是，就是根据用户的数据量设置权重，默认为falseclip好像就是平常DP里面所说的 ϵ \epsilon ϵ，默认值为0.05noise_multiplier好像就是平常DP里面所说的 σ \sigma σ，默认值为none，即没用上DPadaptive_clip_learning_rate如题target_unclipped_quantile如题clipped_count_budget_allocationThe fraction of privacy budget to use for estimating clipped counts，难道是 δ \delta δ?per_vector_clipping独立地设置每个weight的clip值，而不是整个model的total_rounds训练轮数，默认值为200experiment_name实验名称，方便后续去查找记录root_output_dir实验记录存在哪里write_metrics_with_bz2以什么方式存放你的实验结果rounds_per_eval多少轮评估模型rounds_per_checkpoint多少轮checkpoint模型rounds_per_profile多频繁运行实验的TF profile记录下emnist的TensorFlow federated下DP的main 函数分析：
下载数据集，处理数据集。训练集的处理方法：shuffle打乱，重复client_epochs_per_round次，分成client_batch_size个batch，选择每个用户最多可允许的max_batches_per_client数，映射处理emnist数据集。选择所用的模型FLAGS.model，损失函数和评价指标如果uniform_weighting，则返回1，否则client_weight_fn为None声明model_fntff.utils.build_dp_querytff.learning.framework.weights_type_from_modeltff.utils.build_dp_aggregate_processtf_computation： Decorates/wraps Python functions and defuns as TFF TensorFlow computations federated_computation： Decorates/wraps Python functions as TFF federated/composite computations
先发出来好了，有新的事情要忙了，改天再写
