联邦学习：将自己的图像数据集转换为tff模拟Clientdata

这是我的联邦学习测试的代码

from __future__ import absolute_import, division, print_function
import os
import collections
import warnings
from six.moves import range
import numpy as np
import six
import tensorflow as tf
import tensorflow_federated as tff
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau, ModelCheckpoint
import PIL


#pretrain

train_datagen1 = tf.keras.preprocessing.image.ImageDataGenerator(vertical_flip=True)
training_set1= train_datagen1.flow_from_directory('folder1/train',target_size=(200, 200), batch_size=32)



)

现在，当我想像用于图像分类的tensorflow federtaed中的教程一样创建sample_batch时

我写了这一行，它发现了这个错误

example_dataset = training_set1.create_tf_dataset_for_client(training_set1.client_ids[0])

错误

TypeError Traceback（最近一次调用最后一次） 在 1 个training_set1.element_type_struct ----> 2 example_dataset = Training_set1.create_tf_dataset_for_client(training_set1.client_ids[0])

类型错误：“abstractproperty”对象不支持索引

你能告诉我我必须如何创建 dummy_batch 才能将 keras 模型转换为 tff.learning.from_compiled_keras_model(model, dummy_batch)

感谢您对 TFF 的关注！

一般来说，TFF 旨在摄取tf.data.Dataset对象，因此上面的示例需要一些额外的预处理。

好消息是，有一个现有教程显示执行此操作的示例。在上面，类似下面的内容应该有效：

ds = tf.data.Dataset.from_generator(
    img_gen.flow_from_directory, args=[<your_directory>], 
    output_types=<your_types>, 
    output_shapes=<your_shapes>
)

一般来说，人们可以思考ClientData对象是一种幻想dict将客户端 ID 映射到tf.data.Datasets. ClientData本身是一个抽象类，因此不能直接实例化，并且提供了类方法来构造真实的实例化ClientData。一种应该在这里工作的类方法是tff.simulation.ClientData.from_clients_and_fn。在这里，如果您传递一个列表client_ids以及一个在给定客户端 ID 时返回适当数据集的函数，您将拥有一个功能齐全的ClientData.

我认为在这里，定义您可能使用的函数的方法是构造一个Pythondict它将客户端 ID 映射到tf.data.Dataset对象——然后您可以定义一个函数，它接受客户端 ID，在字典中查找数据集，然后返回数据集。

希望这有帮助！