实施策略#
策略抽象类可以实现完全定制的策略。策略基本上就是在服务器上运行的联邦学习算法。策略决定如何对客户端进行采样、如何配置客户端进行训练、如何聚合参数更新以及如何评估模型。Flower 提供了一些内置策略，这些策略基于下文所述的相同 API。
:code:`策略 ` 抽象类#
所有策略实现均源自抽象基类 flwr.server.strategy.Strategy，包括内置实现和第三方实现。这意味着自定义策略实现与内置实现具有完全相同的功能。
策略抽象定义了一些需要实现的抽象方法：
class Strategy(ABC):
"""Abstract base class for server strategy implementations."""
@abstractmethod
def initialize_parameters(
self, client_manager: ClientManager
) -> Optional[Parameters]:
"""Initialize the (global) model parameters."""
@abstractmethod
def configure_fit(
self,
server_round: int,
parameters: Parameters,
client_manager: ClientManager
) -> List[Tuple[ClientProxy, FitIns]]:
"""Configure the next round of training."""
@abstractmethod
def aggregate_fit(
self,
server_round: int,
results: List[Tuple[ClientProxy, FitRes]],
failures: List[Union[Tuple[ClientProxy, FitRes], BaseException]],
) -> Tuple[Optional[Parameters], Dict[str, Scalar]]:
"""Aggregate training results."""
@abstractmethod
def configure_evaluate(
self,
server_round: int,
parameters: Parameters,
client_manager: ClientManager
) -> List[Tuple[ClientProxy, EvaluateIns]]:
"""Configure the next round of evaluation."""
@abstractmethod
def aggregate_evaluate(
self,
server_round: int,
results: List[Tuple[ClientProxy, EvaluateRes]],
failures: List[Union[Tuple[ClientProxy, FitRes], BaseException]],
) -> Tuple[Optional[float], Dict[str, Scalar]]:
"""Aggregate evaluation results."""
@abstractmethod
def evaluate(
self, parameters: Parameters
) -> Optional[Tuple[float, Dict[str, Scalar]]]:
"""Evaluate the current model parameters."""
创建一个新策略意味着要实现一个新的 class`（从抽象基类 :code:`Strategy 派生），该类要实现前面显示的抽象方法：
class SotaStrategy(Strategy):
def initialize_parameters(self, client_manager):
# Your implementation here
def configure_fit(self, server_round, parameters, client_manager):
# Your implementation here
def aggregate_fit(self, server_round, results, failures):
# Your implementation here
def configure_evaluate(self, server_round, parameters, client_manager):
# Your implementation here
def aggregate_evaluate(self, server_round, results, failures):
# Your implementation here
def evaluate(self, parameters):
# Your implementation here
Flower 服务器按以下顺序调用这些方法：
下文将详细介绍每种方法。
初始化参数 方法#
initialize_parameters 只调用一次，即在执行开始时。它负责以序列化形式（即 Parameters 对象）提供初始全局模型参数。
内置策略会返回用户提供的初始参数。下面的示例展示了如何将初始参数传递给 FedAvg：
import flwr as fl
import tensorflow as tf
# Load model for server-side parameter initialization
model = tf.keras.applications.EfficientNetB0(
input_shape=(32, 32, 3), weights=None, classes=10
)
model.compile("adam", "sparse_categorical_crossentropy", metrics=["accuracy"])
# Get model weights as a list of NumPy ndarray's
weights = model.get_weights()
# Serialize ndarrays to `Parameters`
parameters = fl.common.ndarrays_to_parameters(weights)
# Use the serialized parameters as the initial global parameters
strategy = fl.server.strategy.FedAvg(
initial_parameters=parameters,
)
fl.server.start_server(config=fl.server.ServerConfig(num_rounds=3), strategy=strategy)
Flower 服务器将调用 initialize_parameters，返回传给 initial_parameters 的参数或 None。如果 initialize_parameters 没有返回任何参数（即 None），服务器将随机选择一个客户端并要求其提供参数。这只是一个便捷的功能，在实际应用中并不推荐使用，但在原型开发中可能很有用。在实践中，建议始终使用服务器端参数初始化。
备注
服务器端参数初始化是一种强大的机制。例如，它可以用来从先前保存的检查点恢复训练。它也是实现混合方法所需的基本能力，例如，使用联邦学习对预先训练好的模型进行微调。
:code:`configure_fit`方法#
configure_fit 负责配置即将开始的一轮训练。*配置*在这里是什么意思？配置一轮训练意味着选择客户并决定向这些客户发送什么指令。configure_fit 说明了这一点：
@abstractmethod
def configure_fit(
self,
server_round: int,
parameters: Parameters,
client_manager: ClientManager
) -> List[Tuple[ClientProxy, FitIns]]:
"""Configure the next round of training."""
返回值是一个元组列表，每个元组代表将发送到特定客户端的指令。策略实现通常在 configure_fit 中执行以下步骤：
使用
client_manager随机抽样所有（或部分）可用客户端（每个客户端都表示为ClientProxy对象）将每个
ClientProxy与持有当前全局模型parameters和configdict 的FitIns配对
More sophisticated implementations can use configure_fit to implement custom client selection logic. A client will only participate in a round if the corresponding ClientProxy is included in the list returned from configure_fit.
备注
该返回值的结构为用户提供了很大的灵活性。由于指令是按客户端定义的，因此可以向每个客户端发送不同的指令。这使得自定义策略成为可能，例如在不同的客户端上训练不同的模型，或在不同的客户端上使用不同的超参数（通过 config dict）。
aggregate_fit 方法#
aggregate_fit 负责汇总在 configure_fit 中选择并要求训练的客户端所返回的结果。
@abstractmethod
def aggregate_fit(
self,
server_round: int,
results: List[Tuple[ClientProxy, FitRes]],
failures: List[Union[Tuple[ClientProxy, FitRes], BaseException]],
) -> Tuple[Optional[Parameters], Dict[str, Scalar]]:
"""Aggregate training results."""
当然，失败是有可能发生的，因此无法保证服务器会从它发送指令（通过 configure_fit）的所有客户端获得结果。因此 aggregate_fit 会收到 results 的列表，但也会收到 failures 的列表。
aggregate_fit 返回一个可选的 Parameters 对象和一个聚合度量的字典。Parameters 返回值是可选的，因为 aggregate_fit 可能会认为所提供的结果不足以进行聚合（例如，失败次数过多）。
:code:`configure_evaluate`方法#
configure_evaluate 负责配置下一轮评估。*配置*在这里是什么意思？配置一轮评估意味着选择客户端并决定向这些客户端发送什么指令。configure_evaluate 说明了这一点：
@abstractmethod
def configure_evaluate(
self,
server_round: int,
parameters: Parameters,
client_manager: ClientManager
) -> List[Tuple[ClientProxy, EvaluateIns]]:
"""Configure the next round of evaluation."""
返回值是一个元组列表，每个元组代表将发送到特定客户端的指令。策略实现通常在 configure_evaluate 中执行以下步骤：
使用
client_manager随机抽样所有（或部分）可用客户端（每个客户端都表示为ClientProxy对象）将每个
ClientProxy与持有当前全局模型parameters和configdict 的EvaluateIns配对
More sophisticated implementations can use configure_evaluate to implement custom client selection logic. A client will only participate in a round if the corresponding ClientProxy is included in the list returned from configure_evaluate.
备注
该返回值的结构为用户提供了很大的灵活性。由于指令是按客户端定义的，因此可以向每个客户端发送不同的指令。这使得自定义策略可以在不同客户端上评估不同的模型，或在不同客户端上使用不同的超参数（通过 config dict）。
aggregate_evaluate 方法#
aggregate_evaluate 负责汇总在 configure_evaluate 中选择并要求评估的客户端返回的结果。
@abstractmethod
def aggregate_evaluate(
self,
server_round: int,
results: List[Tuple[ClientProxy, EvaluateRes]],
failures: List[Union[Tuple[ClientProxy, FitRes], BaseException]],
) -> Tuple[Optional[float], Dict[str, Scalar]]:
"""Aggregate evaluation results."""
当然，失败是有可能发生的，因此无法保证服务器会从它发送指令（通过 configure_evaluate）的所有客户端获得结果。因此， aggregate_evaluate 会接收 results 的列表，但也会接收 failures 的列表。
aggregate_evaluate 返回一个可选的 float`（损失值）和一个聚合指标字典。:code:`float 返回值是可选的，因为 aggregate_evaluate 可能会认为所提供的结果不足以进行聚合（例如，失败次数过多）。
:code:`evaluate`方法#
evaluate 负责在服务器端评估模型参数。除了 configure_evaluate/aggregate_evaluate 之外，evaluate 可以使策略同时执行服务器端和客户端（联邦）评估。
@abstractmethod
def evaluate(
self, parameters: Parameters
) -> Optional[Tuple[float, Dict[str, Scalar]]]:
"""Evaluate the current model parameters."""
返回值也是可选的，因为策略可能不需要执行服务器端评估，或者因为用户定义的 evaluate 方法可能无法成功完成（例如，它可能无法加载服务器端评估数据）。