Flower: A Friendly Federated Learning Research Framework

Daniel J. Beutel, Taner Topal, Akhil Mathur, Xinchi Qiu, Titouan Parcollet, Nicholas D. Lane arXiv:2007.14390, Jul, 2020 Federated Learning (FL) has emerged as a promising technique for edge devices to collaboratively learn a shared prediction model, while keeping their training data on the device, thereby decoupling the ability to do machine learning from the need to store the data in the cloud. However, FL is difficult to implement and deploy in practice...

The Deep (Learning) Transformation of Mobile and Embedded Computing

Dr. Nicholas Lane - University of Cambridge Aufgenommene Präsentation des tinyML Talks local Webcasts, 8. September 2020 Mobile and embedded devices increasingly rely on deep neural networks to understand the world -- a formerly impossible feat that would have overwhelmed their system resources just a few years ago. The age of on-device artificial intelligence is upon us; but incredibly, these dramatic changes are just the beginning...(Meetup Ankündigung)


Xinchi Qiu, Titouan Parcollet, Daniel J. Beutel, Taner Topal, Akhil Mathur, Nicholas D. Lane Bald online!

Flower: Der Guide zum Open Source Projekt

Die Architektur von Flower ist komplett agnostisch und somit unabhängig der verwendeten Plattform (iOS, Android, Linux and Embedded), Programmiersprache (Python, Java, C++,...) oder des Machine Learning Frameworks (TensorFlow, PyTorch, ...). Flower ist ein Open Source Projekt und bietet ein komplettes Flower Ökosystem an. Der Quickstart Guide erlaubt es in weniger als 50 Zeilen Code ein Federated Learning Beispiel laufen zu lassen. Des Weiteren bietet der Guide einige weitere Anwendungsbeispiele. Folgende Beispiele sind aktuell in Flower enthalten: - PyTorch: CIFAR-10 Image Classification - PyTorch: ImageNet-2012 Image Classification - TensorFlow: MNIST Image Classification - Keras: MNIST Image Classification - Fortsetzung folgt Wir freuen uns, wenn ihr uns Feedback sendet.