我已经阅读并仔细研究了TFF guide和APIs页面。但是我在某些细节部分感到困惑。
例如，当我想包装/装饰TF / python函数时，请使用以下两个API：
1. tff.tf_computation()
2. tff.federated_computation()
我找不到它们之间的区别以及何时可以使用它们。特别是，如果我想使用FedAvg或FedSgd以外的其他算法。我想知道你是否知道：
如何使用它们来操纵输入？他们在@CLIENT或@SERVER上工作吗？
除了
tff.federated_mean或tff.federated_sum的输出（该值将在服务器中）以外，如何将它们用于其他用途？我如何能够访问@CLIENT和@SERVER中的数据和指标的详细信息？
为什么要从
tff.tf_computation()调用tff.federated_computation()？在此link中，没有关于它们的任何解释。这些API（例如
tff.federated_mean或tff.federated_sum）是否修改每个@CLIENT的输出元素并将它们带到@SERVER？有人可以帮助我理解这个概念背后的直觉吗？
最佳答案
关于不同函数装饰器的可能经验法则：tff.tf_computation用于包装TF逻辑。想想“张量输入，张量输出”：这应该与tf.function的用法非常相似，其中参数和返回值是张量或张量的嵌套结构。 TFF内部函数（例如tff.federated_mean）不能在tff.tf_computation内使用，并且tff.tf_computations不能调用tff.federated_computations。类型签名始终处于未放置状态。tff.federated_computation应该用于包装TFF编程抽象。想想“这里的张量，那里的张量”：在这种情况下，可以将tff.tf_computation应用于tff.Value，并且可以使用内在函数将tff.Value传达给其他放置位置。类型签名可以接受联合类型（即具有展示位置的类型）。
对于您的问题列表：
两者都可以处理位于CLIENTS或SERVER的值。例如，可以将名为tff.tf_computation的my_comp应用于类型为v和int32@CLIENTS的值tff.federated_map(my_comp, v)，该值将在每个客户端上运行my_comp。tff.federated_map()支持将点对点计算（跨客户端）应用于不在服务器上的数据。您可以使用tff.federated_map在每个客户端上操纵指标。 TFF不适用于不同客户的单独选项；抽象不支持针对个人。您也许可以在Python中对此进行模拟，请参见Operations performed on the communications between the server and clients。
只需在tff.Computation中返回它们并调用该计算，就可以在仿真中检查放置数据的值。这些值应在Python环境中可用。tff.tf_computation应该可以从任何地方调用，如果有说明文档，请另外指出。我认为要突出显示的是tff.federated_computation可以调用tff.tf_computation，反之亦然。
教程（Federated Learning for Image Classification和Federated Learning for Text Generation）显示了在模拟中打印指标的示例。您可能也对how to print local outputs in tensorflow federated?的答案感兴趣
如果需要，应直接执行tff.tf_computations。这将避免TFF的任何联邦部分，而只需委托给TensorFlow。要将计算应用于联合值并与联合内部函数结合使用，必须在tff.federated_computation内部调用它们。
关于python - 如何使用TFF API进行自定义使用？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/56529169/