分布式学习和联邦学习简介
在这篇文章中，我们将讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。首先，我们从一个简单的单机示例开始，然后将其发展为分布式随机梯度下降（D-SGD），最后是联邦学习（FL）。
集中学习（单机）
一个最简单的例子，我们想学习人的身高和体重之间的线性关系，并且我们拥有100人的体重和身高数据，想训练一种线性模型，该模型使用身高预测人们的体重，线性回归W = [a，b]如下：
我们怎么找到w?为了求w，使用梯度下降法(GD)，从一个随机的w开始，然后通过沿误差的相反方向在100个数据点上最小化模型的误差。
设置A = 0和B = 2，并为每个数据点计算我们的模型，如下所示：
上面的方程肯定是不成立的，因为2 * 1.70 + 0不等于72。我们的目标是找到一个a和b使这个等式成立。所以需要计算该模型对于所有100人的数据点的误差:
完整文章：
