让数百万台手机训练同一个模型？Google把这套框架开源了
【导语】据了解，全球有 30 亿台智能手机和 70 亿台边缘设备。每天，这些电话与设备之间的交互不断产生新的数据。传统的数据分析和机器学习模式，都需要在处理数据之前集中收集数据至服务器，然后进行机器学习训练并得到模型参数，最终获得更好的产品。
但如果这些需要聚合的数据敏感且昂贵的话，那么这种中心化的数据收集手段可能就不太适用了。
去掉这一步骤，直接在生成数据的边缘设备上进行数据分析和机器学习训练呢？
近日，Google 开源了一款名为 TensorFlow Federated （TFF）的框架，可用于去中心化（decentralized）数据的机器学习及运算实验。它实现了一种称为联邦学习（Federated Learning，FL）的方法，将为开发者提供分布式机器学习，以便在没有数据离开设备的情况下，便可在多种设备上训练共享的 ML 模型。其中，通过加密方式提供多一层的隐私保护，并且设备上模型训练的权重与用于连续学习的中心模型共享。
传送门：https://www.tensorflow.org/federated/实际上，早在 2017 年 4 月，Google AI 团队就推出了联邦学习的概念。这种被称为联邦学习的框架目前已应用在 Google 内部用于训练神经网络模型，例如智能手机中虚拟键盘的下一词预测和音乐识别搜索功能。
图注：每台手机都在本地训练模型（A）；将用户更新信息聚合（B）；然后形成改进的共享模型（C）。
DeepMind 研究员 Andrew Trask 随后发推称赞：“Google 已经开源了 Federated Learning……可在数以百万计的智能手机上共享模型训练！”
让我们一起来看看使用教程：
从一个著名的图像数据集 MNIST 开始。MNIST 的原始数据集为 NIST，其中包含 81 万张手写的数字，由 3600 个志愿者提供，目标是建立一个识别数字的 ML 模型。
传统手段是立即将 ML 算法应用于整个数据集。但实际上，如果数据提供者不愿意将原始数据上传到中央服务器，就无法将所有数据聚合在一起。
TFF 的优势就在于，可以先选择一个 ML 模型架构，然后输入数据进行训练，同时保持每个数据提供者的数据是独立且保存在本地。
下面显示的是通过调用 TFF 的 FL API，使用已由 GitHub 上的“Leaf”项目处理的 NIST 数据集版本来分隔每个数据提供者所写的数字：
GitHub 传送链接：https://github.com/TalwalkarLab/leaf# Load simulation data. source, _ = tff.simulation.datasets.emnist.load_data() def client_data(n): dataset = source.create_tf_dataset_for_client(source.client_ids[n]) return mnist.keras_dataset_from_emnist(dataset).repeat(10).batch(20) # Wrap a Keras model for use with TFF. def model_fn(): return tff.learning.from_compiled_keras_model( mnist.create_simple_keras_model(), sample_batch) # Simulate a few rounds of training with the selected client devices. trainer = tff.learning.build_federated_averaging_process(model_fn) state = trainer.initialize() for _ in range(5): state, metrics = trainer.next(state, train_data) print (metrics.loss)
除了可调用 FL API 外，TFF 还带有一组较低级的原语（primitive），称之为 Federated Core (FC) API。这个 API 支持在去中心化的数据集上表达各种计算。
使用 FL 进行机器学习模型训练仅是第一步；其次，我们还需要对这些数据进行评估，这时就需要 FC API 了。
假设我们有一系列传感器可用于捕获温度读数，并希望无需上传数据便可计算除这些传感器上的平均温度。调用 FC 的 API，就可以表达一种新的数据类型，例如指出 tf.float32，该数据位于分布式的客户端上。
READINGS_TYPE = tff.FederatedType(tf.float32, tff.CLIENTS)
然后在该类型的数据上定义联邦平均数。
@tff.federated_computation(READINGS_TYPE) def get_average_temperature(sensor_readings): return tff.federated_average(sensor_readings)
之后，TFF 就可以在去中心化的数据环境中运行。从开发者的角度来讲，FL 算法可以看做是一个普通的函数，它恰好具有驻留在不同位置（分别在各个客户端和协调服务中的）输入和输出。
例如，使用了 TFF 之后，联邦平均算法的一种变体：
参考链接：https://arxiv.org/abs/1602.05629@tff.federated_computation( tff.FederatedType(DATASET_TYPE, tff.CLIENTS), tff.FederatedType(MODEL_TYPE, tff.SERVER, all_equal=True), tff.FederatedType(tf.float32, tff.SERVER, all_equal=True)) def federated_train(client_data, server_model, learning_rate): return tff.federated_average( tff.federated_map(local_train, [ client_data, tff.federated_broadcast(server_model), tff.federated_broadcast(learning_rate)]))
目前已开放教程，可以先在模型上试验现有的 FL 算法，也可以为 TFF 库提供新的联邦数据集和模型，还可以添加新的 FL 算法实现，或者扩展现有 FL 算法的新功能。
据了解，在 FL 推出之前，Google 还推出了 TensorFlow Privacy，一个机器学习框架库，旨在让开发者更容易训练具有强大隐私保障的 AI 模型。目前二者可以集成，在差异性保护用户隐私的基础上，还能通过联邦学习（FL）技术快速训练模型。
最后附上 TF Dev Summit’19 上，TensorFlow Federated （TFF）的发布会现场视频：
参考链接：https://medium.com/tensorflow/introducing-tensorflow-federated-a4147aa20041
（本文为 AI科技大本营原创文章，转载请微信联系 1092722531）