Pysyft是一个比较适合学习FL学习小白的开源框架，相比与FATE的高封装性，Pysyft提供了更高的自由度。虽然FATE确实加密算法等等的效果做的非常的好，但是我在Ubuntu下面捣鼓了两天，下载了Mysql，Redis等等的一堆东西，采用docker的方式来部署FATE，发现环境配置的难度实在太高了，像我这种小白，FL本来就不是很熟悉，还是Pysyft友好一些。
记录一下Pysyft学习的心得
因为Pysyft主要是用于分布式学习，所以我首先打算搞明白它是如何实现分布式的。先用syft模拟一下，syft底层使用命令链实现的。
导入必要的包
import syft as sy
import torch
扩展pytorch
熟悉pytorch的同学都知道，torch的训练核心是tensor的改变，传统集中式的训练在本地就可以处理torch，不需要考虑分发与回收。所以Pysyft提供了TorchHook()类，扩展了torch（主要是tensor），为分布式训练提供了一种思路。
hook = sy.TorchHook(torch)
这里有一个单词叫Hook，直译为钩子。在CS中指代一种技术，在系统没有调用该函数之前，钩子程序就先捕获该消息，钩子函数先得到控制权，这时钩子函数既可以加工处理（改变）该函数的执行行为，还可以强制结束消息的传递。简单来说，就是把系统的程序拉出来变成我们自己执行代码片段。
定义传输模型
x = torch.tensor([1,2,3,4,5])
y = torch.tensor([5,4,3,2,1])
tensor是传给客户端的数据，在这里为了方便演示，采用tensor的方式传给客户端，实际情况下应该传递的是XNN model。
创建客户端
可以创建多个，但是由于是dome，所以采用1客户端的方式。hook是一定要传入的参数（暂时不懂为什么），id是客户端的名称。
#创建一个客户端one
one = sy.VirtualWorker(hook, id='one')
分发模型
在tensor创建好以后，就可以下发给客户端了，但是下发的是副本。
x_ptr = x.send(one)
y_ptr = y.send(one)
但是因为要指导客户机操作，所以会保留副本的指针。但是接下来对指针的所有操作都会转化为对数据的操作。
训练模型
并没有训练实际的模型，因为只是实现一种dome的思路。这里采用dome相加的方式来实验一下。
print("1:",x_ptr)
print("2:",y_ptr)
x_ptr = x_ptr + y_ptr
print("3:",x_ptr)
这两个指针的相加按照常理本应该出错，但是可以把这个理解为一种指导，所以实际上在客户端进行了相加的操作。
运行效果如下：
me代表的是服务器的id（默认），one代表的是客户端的id，冒号后面的数字代表的是在客户端中的tensor的地址。这里可能会疑惑，为什么x_ptr的地址会改变，实际上，在执行x_ptr + y_ptr时，并不是在本地执行的加法，一个命令序列化后发送给了one，one执行了这个计算操作，创建了一个tensor，然后返回了一个指针到本地机器。
收回模型
x_value = x_ptr.get()
print(x_value)
get方法收回模型，并且销毁x_ptr指针。
以上就是dome的思路，应该就是这个架构，以后再慢慢完善后续的章节，争取寒假学会Pysyft。