DOC | Quick Start | English
FATE (Federated AI Technology Enabler) 是微众银行AI部门发起的开源项目,为联邦学习生态系统提供了可靠的安全计算框架。FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议,以此支持不同种类的机器学习的安全计算,包括逻辑回归、基于树的算法、深度学习和迁移学习等。
FATE官方网站:https://fate.fedai.org/
FATE目前支持三种类型联邦学习算法:横向联邦学习、纵向联邦学习以及迁移学习。算法细节请参考文档 python/federatedml 。
FATE支持Linux或Mac操作系统,当前FATE支持:
-
Native部署: 单机部署和集群部署;
-
KubeFATE部署
运行环境: jdk1.8+、Python3.6、python virtualenv、mysql5.6+
FATE为开发人员提供了单机部署架构版本。单机部署版本可以帮助开发人员快速开发以及测试FATE。该版本支持两种类型:1)Docker;2)手动编译。
具体细节请参阅单机部署指南:standalone-deploy。
FATE同样为大数据场景提供了分布式运行部署架构版本。从单机部署迁移到集群部署仅需要更改配置文件,不需要更改算法。
具体细节请参阅集群部署指南:cluster-deploy。
通过 KubeFATE, 我们可以使用 docker-compose或者 Kubernetes方式部署FATE:
-
如果是开发或者测试场景, 推荐使用docker-compose部署方式. 这种模式仅仅需要 Docker 环境。 更多细节请参考 FATE Docker Compose部署.
-
如果生产环境或者大规模部署, 推荐使用Kubernetes方式来管理FATE系统 。更多细节请参考 FATE Kubernetes部署.
更多使用说明请见KubeFATE。
./federatedml/test 文件夹中提供了所有单元测试的脚本。
安装FATE后,可以使用以下命令运行测试:
sh ./federatedml/test/run_test.sh
如果FATE被正确安装,那么所有单元测试都将成功通过。
我们提供了一个用于快速搭建训练任务的python脚本作为示例。请参考:"./examples"
FATE提供了名为 fate-flow 的工具用来跟踪组件输出模型或日志。fate-flow的部署和使用可以在 这里 找到。
FATE在 doc-api提供了API文档.
如何使用FATE开发联邦学习算法?您可以在 develop-guide 中查看FATE开发指南。
FATE还在 doc 中提供了许多其他文档。这些文档可以帮助您更好地了解FATE。
-
加入我们的邮件列表 Fate-FedAI Group IO,您可以提出问题或参与讨论。
-
对于常见问题, 我们为您提供了 FAQ文档。
-
请使用 issues 提交BUG。
-
请使用 pull requests 提交、贡献代码。