Uma biblioteca leve de deep learning, com verificação de tipos e programação funcional, para compor modelos e encapsular camadas do PyTorch, TensorFlow e MXNet.
2,9 mil295PythonMITAtualizado há 12 dias
flwrlabs/flower
Um framework Python para criar sistemas de aprendizado federado que treinam modelos em vários clientes sem centralizar os dados.
- Estrelas
- 7,195
- Forks
- 1,247
- Issues abertas
- 420
- Último commit
- há 11 horas
O que é?
Flower (flwr) é um framework para criar sistemas de IA federada, nos quais os modelos são treinados em vários clientes separados e apenas as atualizações dos modelos são compartilhadas, em vez dos dados brutos. Ele foi desenvolvido para ser personalizável e extensível, permitindo que desenvolvedores alterem a estratégia do servidor, a lógica do cliente e o padrão de comunicação para casos de uso específicos.
Flower é independente de framework. O projeto lista integrações com PyTorch, TensorFlow, Hugging Face Transformers, PyTorch Lightning, scikit-learn, JAX, TFLite, MONAI, fastai, MLX, XGBoost e CatBoost, além de incluir análise federada com Pandas. Os exemplos de início rápido abrangem a implantação em Android e iOS, além de dispositivos Raspberry Pi e Nvidia Jetson.
O repositório também abriga o Flower Baselines, com implementações da comunidade de métodos de aprendizado federado publicados, como FedProx, FedBN, MOON e FedAvgM, além de vários projetos de exemplo que abrangem FL vertical, LLM federados e fine-tuning de vision transformers.
Recursos principais
- 01Compatível com diversos frameworks de ML, incluindo PyTorch, TensorFlow, scikit-learn e XGBoost.
- 02Permite que desenvolvedores personalizem e substituam componentes do servidor e do cliente.
- 03Oferece exemplos de início rápido para Android, iOS e dispositivos embarcados Raspberry Pi e Jetson.
- 04Inclui baselines da comunidade que reproduzem métodos publicados de aprendizado federado.
- 05Oferece exemplos de LLM federados e fine-tuning de vision transformers.
Casos de uso
- Treinar um modelo em hospitais ou organizações sem compartilhar dados de pacientes ou clientes.
- Executar experimentos de aprendizado federado em dispositivos móveis ou de edge computing.
- Reproduzir e comparar algoritmos publicados de aprendizado federado como baseline de pesquisa.
- Fazer análise federada de dados tabulares distribuídos usando Pandas.
Início rápido
- 1
Leia o guia de instalação na documentação do Flower
- 2
Siga o tutorial de início rápido do PyTorch na documentação
Em coleções
Tópicos
Perguntas frequentes
- O que é flower?
- Um framework Python para criar sistemas de aprendizado federado que treinam modelos em vários clientes sem centralizar os dados. Flower (flwr) é um framework para criar sistemas de IA federada, nos quais os modelos são treinados em vários clientes separados e apenas as atualizações dos modelos são compartilhadas, em vez dos dados brutos. Ele foi desenvolvido para ser personalizável e extensível, permitindo que desenvolvedores alterem a estratégia do servidor, a lógica do cliente e o padrão de comunicação para casos de uso específicos.
- flower é gratuito? Qual é a licença?
- flower é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- flower ainda é mantido?
- Manutenção ativa. O último commit de flower foi em 7 de nov. de 2026.
- Para que posso usar flower?
- Treinar um modelo em hospitais ou organizações sem compartilhar dados de pacientes ou clientes. Executar experimentos de aprendizado federado em dispositivos móveis ou de edge computing. Reproduzir e comparar algoritmos publicados de aprendizado federado como baseline de pesquisa. Fazer análise federada de dados tabulares distribuídos usando Pandas.
- Como instalar flower?
- Leia o guia de instalação na documentação do Flower Siga o tutorial de início rápido do PyTorch na documentação
- Onde consigo flower?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/flwrlabs/flower
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Currículo introdutório de IA da Microsoft, com 24 aulas ao longo de 12 semanas sobre IA simbólica, redes neurais, visão computacional, NLP e ética, incluindo notebooks em PyTorch e TensorFlow.
Recursos de aprendizado#artificial-intelligence#machine-learning#deep-learning#neural-networks#computer-vision
70,6 mil+218 esta semana13,7 milJupyter NotebookMITAtualizado há 3 dias
Visualizador de modelos de redes neurais, deep learning e machine learning, com suporte a ONNX, TensorFlow, PyTorch, Core ML e muitos outros formatos.
33,7 mil+26 esta semana3,2 milJavaScriptMITBem mantidoAtualizado ontem
Biblioteca Python e plataforma hospedada para acompanhar, visualizar e gerenciar experimentos de machine learning, conjuntos de dados e modelos.
11,3 mil+4 esta semana915PythonMITBem mantidoAtualizado há 15 horas
Um framework de deep learning para Java independente de engine, que permite criar, treinar e executar modelos com uma API nativa de Java.
4,9 mil+2 esta semana761JavaApache-2.0Atualizado há 6 dias
Framework de deep learning baseado em PyTorch que automatiza loops de treinamento, escalabilidade para múltiplas GPUs e código de infraestrutura, mantendo o controle total do código do modelo.
31,4 mil+12 esta semana3,8 milPythonApache-2.0Atualizado há 9 dias