端侧部署

下面分别介绍如何在Android环境和x86环境部署Federated-Client。

Android环境

编译出包

配置编译环境。

目前只支持Linux环境编译，Linux编译环境配置可参考这里。
在mindspore根目录进行编译，编译包含aarch64和aarch32的AAR包。
```
bash build.sh -A on -j32
```
获取生成的Android AAR包。
```
mindspore-lite-maven-{version}.zip
```

运行依赖

Android Studio >= 3.2 （推荐4.0以上版本）
Android SDK >= 26 （Android Studio默认安装）
OpenJDK >= 1.8 （Android Studio默认安装）

构建依赖环境

将文件mindspore-lite-maven-{version}.zip解压后，所得到的目录结构如下所示：

mindspore-lite-maven-{version}
└── mindspore
    └── mindspore-lite
        └── {version}
            └── mindspore-lite-{version}.aar  # MindSpore Lite训练框架AAR包

由此可知联邦学习相关的AAR包路径是：

mindspore/output/mindspore/mindspore-lite/{version}/mindspore-lite-{version}.aar

其中AAR包中与联邦学习相关的目录结构如下：

mindspore-lite-{version}
├── jni
│   ├── arm64-v8a
│   │   ├── libjpeg.so   # 图像处理动态库文件
│   │   ├── libminddata-lite.so  # 图像处理动态库文件
│   │   ├── libmindspore-lite.so  # MindSpore Lite推理框架依赖的动态库
│   │   ├── libmindspore-lite-jni.so  # MindSpore Lite推理框架依赖的jni动态库
│   │   ├── libmindspore-lite-train.so  # MindSpore Lite训练框架依赖的动态库
│   │   └── libturbojpeg.so  # 图像处理动态库文件
│   └── armeabi-v7a
│       ├── libjpeg.so   # 图像处理动态库文件
│       ├── libminddata-lite.so  # 图像处理动态库文件
│       ├── libmindspore-lite.so  # MindSpore Lite推理框架依赖的动态库
│       ├── libmindspore-lite-jni.so  # MindSpore Lite推理框架依赖的jni动态库
│       ├── libmindspore-lite-train.so  # MindSpore Lite训练框架依赖的动态库
│       └── libturbojpeg.so  # 图像处理动态库文件
├── libs
│   ├── mindspore-lite-java-common.jar  # MindSpore Lite训练框架jar包
│   └── mindspore-lite-java-flclient.jar  # 联邦学习框架jar包
└── classes.jar  # MindSpore Lite训练框架jar包

在Android工程中只需依赖此AAR包即可调用联邦学习提供的相关接口，接口的具体调用和运行方式可参考联邦学习接口介绍部分。

x86环境

编译出包

配置编译环境。

目前只支持Linux环境编译，Linux编译环境配置可参考这里。
在mindspore根目录进行编译，编译x86架构相关包。
```
bash build.sh -I x86_64 -j32
```

获取生成的x86架构相关包。

mindspore/output/mindspore-lite-{version}-linux-x64.tar.gz

运行依赖

Python>=3.7.5
OpenJDK >= 1.8

构建依赖环境

将文件mindspore/output/mindspore-lite-{version}-linux-x64.tar.gz解压后，所得到的目录结构如下所示：

mindspore-lite-{version}-linux-x64
├── tools
│   ├── benchmark_train # 训练模型性能与精度调测工具
│   ├── converter       # 模型转换工具
│   └── cropper         # 库裁剪工具
│       ├── cropper                 # 库裁剪工具可执行文件
│       └── cropper_mapping_cpu.cfg # 裁剪cpu库所需的配置文件
└── runtime
    ├── include  # 训练框架头文件
    │   └── registry # 自定义算子注册头文件
    ├── lib      # 训练框架库
    │   ├── libminddata-lite.a          # 图像处理静态库文件
    │   ├── libminddata-lite.so        # 图像处理动态库文件
    │   ├── libmindspore-lite-jni.so   # MindSpore Lite推理框架依赖的jni动态库
    │   ├── libmindspore-lite-train.a  # MindSpore Lite训练框架依赖的静态库
    │   ├── libmindspore-lite-train.so # MindSpore Lite训练框架依赖的动态库
    │   ├── libmindspore-lite.a  # MindSpore Lite推理框架依赖的静态库
    │   ├── libmindspore-lite.so  # MindSpore Lite推理框架依赖的动态库
    │   ├── mindspore-lite-java.jar    # MindSpore Lite训练框架jar包
    │   └── mindspore-lite-java-flclient.jar  # 联邦学习框架jar包
    └── third_party
        └── libjpeg-turbo
            └── lib
                ├── libjpeg.so.62   # 图像处理动态库文件
                └── libturbojpeg.so.0  # 图像处理动态库文件

其中联邦学习所需的相关x86包名如下：

libjpeg.so.62   # 图像处理动态库文件
libminddata-lite.so  # 图像处理动态库文件
libmindspore-lite.so  # MindSpore Lite推理框架依赖的动态库
libmindspore-lite-jni.so  # MindSpore Lite推理框架依赖的jni动态库
libmindspore-lite-train.so  # MindSpore Lite训练框架依赖的动态库
libturbojpeg.so.0  # 图像处理动态库文件
mindspore-lite-java-flclient.jar  # 联邦学习框架jar包

可将路径mindspore/output/mindspore-lite-{version}-linux-x64/runtime/lib/以及mindspore/output/mindspore-lite-{version}-linux-x64/runtime/third_party/libjpeg-turbo/lib中联邦学习所依赖的so文件（共6个）放入一个文件夹，比如/resource/x86libs/。然后在x86中设置环境变量(下面需给绝对路径)：

export LD_LIBRARY_PATH=/resource/x86libs/:$LD_LIBRARY_PATH

设置好依赖环境之后，可参考这里教程在x86环境中模拟启动多个客户端进行联邦学习。