ERROR：本文要素过多，包含开车、粗鄙之语、魔法、表情包等。但不包含联邦学习的具体说明，相关内容，文末给出传送门，请自行参阅。
先吐槽
人呐就都不知道，自己不可以预料，一个人的职业发展啊，当然要靠自我奋斗，但是也要考虑技术的演进。我绝对不知道，我作为一个搞大数据的，怎么开始搞联邦学习了？
所以当领导给我安排任务，说“公司都决定了，你来调研联邦学习吧”。
我说另请高明吧，我实在也不是谦虚。我一个玩大数据的，一年正经代码写不了几行，到是sql和shell 写的飞起的咸鱼，怎么就能研究联邦学习了呢？但是，领导说“公司已经研究决定了”。后来我就装了两虚拟机。
一台主机名是gou，一台主机名是qi，提醒我，工作再多，也得有健康的身体去享受
正文
说到联邦学习，最近概念有点活，相关在大神遍地的知乎，随便一搜就是了。当然，我有个朋友对此很是不屑，评价到
联邦学习反映了大数据在面对隐私时既想当xx又想立xx的复杂心情 —by 我的一个朋友
当然，无论我朋友说啥，反正他又不发我工资，该调研FATE，还是继续调研哈。
然后本着博（不）采（务）众（正）长（业）的态度，想看看除了FATE，其他框架的情况，以及好久没写python，就想写个爬虫，练练手的，即复习了python，又能增加装逼素材
于是，在github， 使用federated learning关键词搜索，爬取了star数 top30的repository，以及之前有了解的京东的9nfl和 字节跳动的Fedlearner ，一共32个项目的数据。
然而，像腾讯的AngelFL，这种未开源，只见文章的框架，暂时还无法统计。
因为时间精力有限，无法走读所有项目的源码，只能爬取git上的数据，进行一些简单的分析（吹逼），给有志于从事联邦学习的小伙伴在选择入门框架上一（带）些（到）建（坑）议（里）。
repository的类型
我们先从repository 的类型，开始吹起，粗略分了一下类，大致为三分天下，一类是Framework Or System 即联邦学习的框架或者系统，一类是Research Collections即学习资料收集，如研究类文献、paper和最新的idea的收集整理，还有一类是配套的设施，支持，如K8s 解决方案方案 KubeFATE，分布式机器学习 eggroll 等。
总的来看Framework Or System 独占7成。毕竟是个新兴的领域，Research 也不少。而相关的配套就比较少了，只有可怜的6.25%
活跃度
其次，从issue、commit、pr等指标来看，分别统计了各项指标的排列前三的项目，可以发现FATE 和 tensorflow federated(缩写TFF） 双雄争霸，是社区活跃度最高的两个项目。
TFF自不必说，背靠Google这颗大树好乘凉，又有TensorFlow 强大的算法库支持。整个项目规划清晰，文档完善，除了tutorials，连design，openmined2020 都给你贴出来了。假如你之前就是个TensorFlow玩家，给我一个不用TFF 入门的理由？
而FATE
不好意思，放错图了，是这个
号称工业级的开源联邦学习框架，在项目的完整性和易用性上，完全不虚TFF，各种文档一应俱全，还有热心网友编写教程，手把手教你怎么玩。项目1.5重构后，整体规划也更加清晰。同时还支持双语教学，对于英语不好的同学来说，简直就是福音。
唯一美中不足的，可能是进化太快了？（看看这个release数，看看这个commit数），一些老的文档已经跟不上最新的版本了。
字节跳动的 Fedlearner凭着极其简洁的文档和天马行空的代码结构，能够在开源不久就获得如此之高的star数，看来凭借推荐算法起家的字节跳动，其能力都得到了大家的认可。（访问github 双击鼠标不加star吧？）
百度的PaddleFL虽然人气比不过上面几个，不过依旧默默努力。加上有源于产业实践的开源深度学习平台 飞桨的加持，愿天道酬勤吧？
FedML 则是一个更加学术性的项目，查了下貌似没啥大公司的加成，更加偏向于一些paper和 idea 的实践和论证，是一个不错的学习和拓宽思路的项目。
xaynet 第一次看到xaynetwork 这个名字，我是陌生的，后来一查，居然是一家德国的公司，作为一个 潜在的巴伐利亚拖拉机主，不禁心头狂喜（deploy 这个项目的时候，需要在机柜边上放个油纸包么？） 的确，欧洲一直以来，没什么让人亮眼的互联网公司，但随着GDPR的出台，欧洲可能也在谋求些什么。
Train on the Edge with Federated Learning，这个巨大的title，仿佛就是Google 最初联邦学习想法的实现。
小结
虽然选了top30 的，但从活跃度的绝对数量上看，头部聚集效应明显，无论是commits on master/main 的数量，还是pr 和 issues 的数量，头部的几位都把后面的远远甩在了身后。
使用语言
再从开发的语言上来看看，python 一马当先，一骑绝尘，一夫当关，一统天下
有志于此的小伙伴，还是好好学python 吧。
当然仔细分析一下，像FATE 依赖的分布式机器学习引擎eggroll，也涉及了scala 和java。 还有TTF依赖的TensorFlow，也是C++ 写的，也就是在引擎层面，python 还是未够班啊。
公司&组织参与度
从公司参与度上 ，微众银行、IBM、GOOGLE 位列三甲。
当然，FATE也并非微众一家之功，从现有的信息来看，VMare也在FATE的实现中，出了不少力 。
GOOGLE作为科技巨头，上榜也一点也不意外。
到是看到了蓝色巨人IBM，蓝色巨人的底蕴还是深厚的
[图片上传失败…(image-b0cc3b-1607480144280)]
不禁想起了我的又一个朋友，身为前IBM员工，一直感叹：
老东家在云计算、大数据方向，IBM都是起了个大早，赶了个晚集 ！
如果联邦学习会成为下个趋势的话，期望看到蓝色巨人有所作为吧。
结论
以上，就是基于一个不靠谱的爬虫获取的不靠谱的分析 。
如果非要有什么结论，或者在选型上有所建议的话，个人的建议是 双持FATE和TTF。
TTF背靠大树，以及有着TensorFlow 这么丰富的宝库，必定后劲绵长。而FATE，尤其完善的配套（可以去看下FATE下的repo），活跃的社区，中文的支持。学习起来，必然事半功倍。
当然，除了以上两个，本着open source 的精神，还是要博采众长。尤其是一些走在前沿，带着极强research性质的框架，可能功能不是那么完善和强大，但是很多思路确可以借鉴。作为一个技术人员，切不可固步自封，而应该更加的开放，不是么？
假装必须有的FAQ
Q1： 为什么开头是ERROR ？
A: WARNNING你会看？
Q2: 为什么是山东?
A:即便诸葛村夫的广告你没看过， 喜马拉雅山以东啊，懂？
Q3: 学好了FATE 可以补魔么？
A:不用FATE，给你自己new 一个对象，def 一个补魔的function，配合一个while(ture) 你就可以永动补魔到OOM了
Q4：为什么是潜在巴伐利亚拖拉机主，不是别的？
A: 人呢，要知足，我觉得有拖拉机开就不错了，不奢求开破二手车 更不奢望压金砖 况且，拖拉机和我的气质更配
Q5: 你说的那么多朋友，真的是朋友？
A:
