TFF场景下：评估步骤是否依赖训练流程？能否直接用初始模型评估？

答案是不需要——你完全可以跳过训练轮次直接执行评估，你的代码是可行的，并且能得到有效的结果，只是这个结果反映的是未经过任何联邦训练的初始模型的性能。

具体细节解释： #

• 当你调用iterative_process.initialize()时，TFF会根据你定义的model_fn初始化一个全新的服务器状态，其中的state.model就是你用create_keras_model()定义的初始模型（这里你设置了kernel_initializer='zeros'，所以所有权重都是0值）。
• tff.learning.build_federated_evaluation(model_fn)构建的评估流程，只需要接收模型参数和联邦格式的数据集，并不要求模型必须经过训练。它的核心作用就是计算给定模型在指定联邦数据上的预设指标（比如你定义的SparseCategoricalAccuracy）。
• 你跳过训练循环后，评估的是初始状态的模型，得到的train_metrics和test_metrics会是这个零初始化模型在训练集和测试集上的真实表现——比如准确率会接近随机猜测的水平（EMNIST是10分类任务，所以大概在10%左右），这完全是合理且有效的结果。

这种做法的实际价值： #

跳过训练直接评估初始模型其实是很实用的操作，它可以帮你建立一个性能基线，后续完成联邦训练后，你可以对比基线指标，直观地看出训练给模型带来了多少性能提升。

内容的提问来源于stack exchange，提问作者Eliza