本项目为联邦学习+差分隐私的实现。支持同步、异步、半异步（默认）机制。
运行环境：python 3.6
本代码基于以下仓库实现： https://github.com/wenzhu23333/Differential-Privacy-Based-Federated-Learning
项目文件结构及说明如下：
myFed
│ myFed.py //项目main文件
│ plot.py //作图文件
│ predictParams.py //用于估算参数(tau,t_avg,K等)的文件
│ README.md
│ requirements.txt
│
├─.idea
├─data //存放数据集文件
├─log //代码运行记录
├─models //网络模型相关文件
│ │ Fed.py //全局更新函数
│ │ Nets.py //网络模型定义函数
│ │ test.py //测试准确率函数
│ │ Update.py //本地更新函数
│ │ __init__.py
│
├─utils //存放一些使用到的函数
│ │ dataset.py //数据集有关函数
│ │ dp_mechanism.py //与dp有关的函数
│ │ Functions.py //其他函数
│ │ language_utils.py //与特定语言模型有关的函数
│ │ options.py //命令行参数设置函数
│ │ sampling.py //数据集划分函数
│ │ __init__.py
│
├─oldVersion //仅仅实现了基本功能的旧版本，结构较混乱，可忽略
//参数定义
M //每一轮参与全局训练的客户数量
N //客户数量
K //预计全局更新的轮数
tau //陈旧度
epsilon //隐私预算
//命令行重要参数
frac //每一轮参与全局训练的客户所占的比例，即M/N
allParams //布尔值，为真则自动让M和N遍历。N从10到1000进行遍历，步长为10；对于每个N，M从0.1到1.0进行遍历，步长为0.1。那么总共就是100*10=1000组M和N的值。
sec(0~9) //allParams为真时可以设置。为了能够并行地遍历M和N，将N的值平均分为了10个sec，每个sec有100个part，每个part对应的是一组M和N的值。例如：sec=2, part=5, 对应的就是N=210, M=0.5；sec=2, part=16, 对应的就是N=220, M=0.6。
part(1~100)
selfLR //布尔值，为真则使用自适应学习率
sync //布尔值，为真则使用同步机制训练（默认使用半异步机制训练）
asy //布尔值，为真则使用异步机制训练（默认使用半异步机制训练）
avg //布尔值，为真则使用FedAvg的全局聚合方式（默认使用FedSA的全局聚合方式）
//各个机制的设定
myFed: frac = 0.2(iid) or 0.8(n-iid)
FedSA: frac = 0.2(iid) or 0.8(n-iid), dp_mechanism = no_dp
FedAsync: asy = true
FedAP: frac = 0.5
FedAF: avg = true
运行命令举例：
//No DP
python FedSA.py --dataset mnist --iid --model cnn --dp_mechanism no_dp
//Gaussian Mechanism
python FedSA.py --dataset mnist --iid --model cnn --dp_mechanism Gaussian --dp_epsilon 10
//自己指定N和frac
python FedSA.py --dataset mnist --iid --model c nn --dp_mechanism Gaussian --dp_epsilon 10 --num_users 10 --frac 0.2
//N-iid
python FedSA.py --dataset mnist --model c nn --dp_mechanism Gaussian --dp_epsilon 10 --num_users 10 --frac 0.2
//自动遍历所有N和frac(从N=20, frac=1.0开始遍历)
python FedSA.py --dataset mnist --iid --model cnn --dp_mechanism Gaussian --dp_epsilon 10 --allParams true --sec 0 --part 20