现在，世界创造的数字数据比我们想象的要多-在过去十年中，现有数据的90％以上已经生成。人工智能领域已充分利用了所有数据的价值。深度学习模型利用了越来越多的数据，不仅在各个领域提供了突破，而且还为许多公司提供了相关的应用程序。在越来越大的数据集上训练这些模型对几家公司的基础架构构成了关键问题。考虑到这一点，基础架构问题的替代方法是云计算。这带来了许多好处，例如可伸缩性，移动性，可靠性，节省成本等。但

引言 pysyft是基于pytorch的一个联邦学习框架（虽然用起来很难受），通过内存管理实现联邦学习的模拟。 在pysyft中，WebsocketServerWorker充当数据的提供方（数据存储方），而WebsocketClientWorker作为数据的使用方（指令提供方），通过WebsocketClientWorker以TCP连接的方式向WebsocketServerWorker请求服务，

在这篇文章中，我们提供了使用PySyft应用联邦学习的展示。PySyft是一个开源python库，用于从OpenMined社区进行安全和私有的深度学习。它将私人数据与模型训练分离。 在联邦学习中，每个边缘设备都处理自己的数据以进行训练，避免将其发送给另一个实体，从而保护了隐私。此外，训练阶段的主要处理工作是在设备上完成的，因此与在数据中心进行训练相比，减少了必要的带宽和数据处理。所有设备都可以通

WebsocketServerWorker端代码：start_worker.py import argparseimport torch as thfrom syft.workers.websocket_server import WebsocketServerWorkerimport syft as sy# Argumentsparser = argparse.ArgumentParser