使用TFF进行联邦学习报错：learning模块无from_keras_model属性

你的错误提示说明你的model_fn函数中调用了tff.learning.from_keras_model，但TensorFlow Federated从0.50.x版本开始，该函数已从tff.learning模块迁移至tff.learning.models模块，0.61.0版本中tff.learning不再包含该属性，因此触发AttributeError。

解决方案 #

1. 直接替换函数路径 #

将model_fn中的tff.learning.from_keras_model替换为tff.learning.models.from_keras_model，示例代码：

def model_fn():
    # 定义你的Keras模型
    keras_model = tf.keras.Sequential([
        tf.keras.layers.Dense(10, activation='softmax', input_shape=(784,))
    ])
    # 使用迁移后的函数封装模型
    return tff.learning.models.from_keras_model(
        keras_model,
        input_spec=train_data.element_spec,
        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
    )

2. 推荐使用KerasModel类封装（符合新版本规范） #

TFF新版本更推荐用tff.learning.models.KerasModel类直接封装Keras模型，示例：

def model_fn():
    keras_model = tf.keras.Sequential([
        tf.keras.layers.Dense(10, activation='softmax', input_shape=(784,))
    ])
    return tff.learning.models.KerasModel(
        keras_model=keras_model,
        input_spec=train_data.element_spec,
        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
    )

3. 验证训练代码 #

你提供的训练循环代码（基于build_weighted_fed_avg）本身没有问题，调整model_fn后即可正常运行，无需降级TFF版本。

注意事项 #

• 确保input_spec参数与你的train_data元素结构完全匹配，这是TFF联邦学习的必填参数。

内容的提问来源于stack exchange，提问作者interbyte