.. MindSpore documentation master file, created by
sphinx-quickstart on Thu Mar 24 11:00:00 2020.
You can adapt this file completely to your liking, but it should at least
contain the root `toctree` directive.
MindSpore Federated 文档
=========================
MindSpore Federated是一款开源联邦学习框架,支持面向千万级无状态终端设备的商用化部署,可在用户数据不出本地的前提下,使能全场景智能应用。
联邦学习是一种加密的分布式机器学习技术,其支持机器学习的各参与方在不直接共享本地数据的前提下,共建AI模型。MindSpore Federated目前优先专注于参与方数量规模较大的横向联邦学习应用场景。
.. raw:: html
使用MindSpore Federated框架的优势
----------------------------------
1. 隐私安全
支持参与方数据留存本地进行协同训练,不交换数据本身,而是用加密方式交换更新的模型参数。
支持基于多方安全计算(MPC)的精度无损的安全聚合方案,防止模型窃取。
支持基于本地差分隐私的性能无损的加密方案,防止模型泄漏隐私数据。
2. 分布式联邦聚合
云侧松耦合集群化处理方式,支持千万级数量的大规模异构终端部署场景,实现高性能、高可用的分布式联邦聚合计算,可应对网络不稳定,负载突变等问题。
3. 联邦效率提升
支持同步和异步的联邦模式,支持多种模型压缩算法,提高联邦学习效率,节省带宽资源。
支持多种联邦聚合策略,提高联邦收敛的平滑度,兼顾全局和局部的精度最优化。
4. 灵活易用
仅一行代码即可切换单机训练与联邦学习模式。
网络模型可编程,聚合算法可编程,安全算法可编程,安全等级可定制。
使用MindSpore Federated的工作流程
----------------------------------
1. `场景识别、积累数据 `_
识别出可使用联邦学习的业务场景,在客户端为联邦任务积累本地数据。
2. `模型选择、客户端部署 `_
进行模型原型的选型或开发,并使用工具生成方便部署的端侧模型。
3. `应用部署 `_
将Federated-Client部署到端侧应用中,并在云侧设置联邦配置任务和部署脚本。
常见应用场景
-----------------
1. `图像分类 `_
使用联邦学习实现图像分类应用。
2. `文本分类 `_
使用联邦学习实现文本分类应用。
.. toctree::
:maxdepth: 1
:caption: 安装部署
federated_install
deploy_federated_server
deploy_federated_client
.. toctree::
:maxdepth: 1
:caption: 应用实践
image_classification_application
sentiment_classification_application
image_classification_application_in_cross_silo
object_detection_application_in_cross_silo
.. toctree::
:maxdepth: 1
:caption: 安全和隐私
local_differential_privacy_training_noise
local_differential_privacy_training_signds
pairwise_encryption_training
.. toctree::
:maxdepth: 1
:caption: 通信压缩
comunication_compression
.. toctree::
:maxdepth: 1
:caption: API参考
federated_server
federated_client
.. toctree::
:maxdepth: 1
:caption: 参考文档
faq