FedML 教程：先解决版本口径，再做本地模拟
FedML 覆盖联邦学习、分布式训练和模型服务。官方 README 目前大量介绍 TensorOpera 的 Studio、Launch 和 GPU marketplace；本地开源库与这些云端能力需要分开评估。
python/setup.py 当前写 0.8.30。部署记录必须注明包来源和解析版本。1. 不要直接装进现有 ML 环境
python3.10 -m venv .venv source .venv/bin/activate # 先检查实际来源和依赖，再决定安装版本
setup.py 的默认依赖包括 PyTorch、Docker、W&B、ONNX、Redis、FastAPI 和 Triton client，另有 MPI、DeepSpeed、TensorFlow、FHE 与 LLM extra。旧版固定依赖可能和现有 CUDA 或训练栈冲突。
2. 只选一个本地模拟
使用合成数据、少量客户端和 CPU，关闭云端凭据、MLOps 上报和外部存储。先记录聚合算法、客户端数量、随机种子、数据划分与包锁文件，确认失败能在本机停止和清理。
3. 分开审计 TensorOpera 功能
README 中的 Launch、Studio、Job Store、Deploy、Train、Federate 和 GPU marketplace 属于 TensorOpera 平台叙述。需要这些能力时，应另外核对账号、费用、区域、日志、数据上传和删除条款，不能从 Apache-2.0 仓库许可推断云服务条件。
4. 把隐私威胁写进实验
联邦学习允许数据留在客户端，但模型更新、指标、错误日志和设备身份仍可能泄露信息。扩大到真实数据前，要评估安全聚合、差分隐私、客户端认证、掉线处理和模型投毒。
与 Flower 对比
Flower 官方框架同样面向联邦学习，提供 ClientApp、ServerApp、本地 Simulation Runtime 和 Deployment Runtime，范围更集中。FedML 还覆盖分布式训练、模型服务和商业云调度。只需构建和模拟联邦策略时可先比较 Flower；维护 FedML 现有工作流时再选 FedML。
这里仅补原教程没有展开的事实和边界。安装命令与操作步骤仍以前文为准。
先判断这个项目是否适合你
适合谁用
适合复现已有 FedML 联邦学习研究、维护存量训练或服务代码。新项目要考虑开源更新停滞、依赖较旧及云平台耦合；医疗或个人数据即使不集中上传，也需处理客户端日志、模型更新泄露、身份与合规。
采用建议
FedML 适合维护已有联邦学习和边缘训练项目，但版本口径、依赖年龄、更新节奏和 TensorOpera 平台耦合都需要先审计。新项目应在小型本地模拟中与 Flower 等仍活跃的框架对照，再决定是否投入。
原教程未展开的系统信息
核心功能
模型服务与 MLOps
代码包含 FastAPI、Redis、MQTT、Docker、Triton client 等服务与调度依赖。
核验与使用边界
优势与限制
优势
- 覆盖联邦、分布式训练和服务
- Apache-2.0 开源
- 有多种训练后端与边缘场景组件
限制
- 最新 GitHub Release 停在 2023 年，仓库最后推送在 2025 年
- master setup.py 写 0.8.30，而最新正式 Release 是 v0.8.9，版本口径不一致
- 默认依赖体量大且部分固定在较旧版本
排错时先核对版本、运行环境和未覆盖范围。这里没有执行过的步骤不会写成实测结论。
常见问题
FedML 当前版本为什么有 v0.8.9 和 0.8.30 两个数字？
GitHub 最新正式 Release 是 v0.8.9，发布于 2023-10-28；master 分支的 python/setup.py 当前写 0.8.30。两者口径不一致，部署时应以实际锁定的包来源核对。
使用 FedML 开源库必须登录 TensorOpera 吗？
本地开源代码可以用于模拟和部分工作流，但 README 描述的 Launch、Studio、Job Store 和 GPU marketplace 属于 TensorOpera 平台能力，需要另行评估账号和服务条件。
FedML 安装为什么需要单独环境？
默认依赖包含 PyTorch、Docker、W&B、ONNX、Redis、FastAPI 等，另有 MPI、DeepSpeed 和 TensorFlow extra，容易与现有机器学习环境发生版本冲突。
联邦学习是否保证原始数据不会泄露？
不保证。数据可留在客户端，但模型更新、指标、日志和身份信息仍可能泄露信息。生产部署需要安全聚合、访问控制、威胁建模和合规审查。