本人是一名在读研究生，学习边缘计算方向。关于联邦学习，我也是一个小白，本项目是我比葫芦画瓢写的一个基本的联邦学习。 了解一下联邦学习的基本内容，基本的代码。这就是我的创作目的。
本项目包含6个Python文件，每个文件的功能详述如下
本文件只有一个client类，他的主要功能是定义一个“用户”。每个用户都是独立的个体，他们都有自己的模型和数据。这个类有三个函数，get_global_model 、 local_train 和 test_model 三个函数。
get_global_model函数：主要功能是模型聚合后，每个用户加载自己的模型。
local_train函数：首先定义优化函数，默认是SGD，模型利用本地数据训练后保存到cache文件中
test_model函数：用户利用自己模型进行测试，返回两个值：损失和精度本文件定义一个download_data类，下载数据并且以我们想要的方法产生数据。包含5个函数，__load_dataset、get_IID_data、get_nonIID_data、get_practical_nonIID_data和get_data函数。
__load_dataset函数：是在类初始化额时候使用根据数据集的名称，下载相应的数据
get_IID_data：获得IID数据，每次返回的数据比较相似
get_nonIID_data：获得non-IID数据，每一个用户随机获得两个标签
get_practical_nonIID_data：获得更加符合实际的数据集，一共有三个划分集合，每个用户获得集合中的一个元素，
获得相同元素的用户之间数据集相似很高，不同元素之间的数据集基本不相似
get_data函数：这个函数是用于外部调用的，上述四个函数并不对外调用。根据输入的数据，产生相应的数据集，
输入的数据只能是三个字符串中的一个。main函数是整个程序的逻辑。首先第一步是数据集的名字使用download_data函数下载数据集，产生一个data_loader的变量用于产生数据，然后根据数据集的名字和模型的种类产生初始模型。使用模型和数据集产生一个云模型和global_nums个用户，并放在用户集合clients中。用户集合中的用户单独训练，并且返回精度和损失保存到accuracy变量中。每一个用户单独训练结束后，调用云服务函数aggregate_model进行模型聚合。模型聚合后，测试全局模型的精度，并将全局模型送到每一个用户。最后，调用plot_acc函数画图
models文件定义了4个类和一个函数。CNN、DNN、MCLR_Logistic和CNNCIFAR四个模型。get_model函数，用来返回一个模型。具体每个模型的参数，可以自己去查看。在使用的时候，只需要调用get_model函数，输入数据集和模型种类，就可以返回一个模型。
这个文件只有一个函数plot。将保存的数据加载，并画图
这个文件定义了一个server类，主要功能是提取每一个用户的模型，然后FedAvg，并且测试聚合模型的准确率。返回。直接调用这个类的，aggregate_model函数，就可以了。
这个是好久之前写的啦，代码比较low，可以去看Federated-Learning-with-Model-quantization中FedAvg算法，效率更高