FedML

一键跨云调度，轻松搞定分布式与联邦学习

FedML 是一个统一且可扩展的机器学习库，专注于大规模分布式训练、模型服务和联邦学习。它提供跨云调度器 FedML Launch，支持在任意 GPU 云或本地集群上运行 AI 任务。FedML 覆盖从数据准备、模型训练、部署到监控的完整 MLOps 生命周期，支持多种联邦学习算法（如 FedAvg、FedProx）和分布式训练框架（如 PyTorch、TensorFlow）。其核心能力包括：跨云资源调度、联邦学习模拟与真实部署、边缘设备支持、以及模型服务。FedML 旨在降低分布式和联邦学习的门槛，使开发者能够轻松地在复杂环境中训练和部署 AI 模型。

开源 unknown 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 4064

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类智能体

开发团队FedML-AI

所属国家

官网地址https://TensorOpera.ai

GitHubhttps://github.com/FedML-AI/FedML

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ai-agent,deep-learning,distributed-training,edge-ai,federated-learning,inference-engine,machine-learning,mlops,model-deployment,model-serving,on-device-training

GitHub 星标★ 4064

30天Star增速

HF 下载量

上线时间2020-07-21 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数6

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Git（用于克隆 GitHub 仓库）
Python 环境（项目开发语言为 Python，README 未给出具体版本要求）
可访问 GitHub 与官方文档站 https://docs.TensorOpera.ai 的网络
如需云端调度、Studio、Job Store 等能力，需要 TensorOpera AI 账号（https://TensorOpera.ai）

安装与启动步骤

1克隆项目仓库

从 GitHub 获取 FedML 源码，README 未提供 pip 安装命令，安装方式请以官方文档为准。
```
git clone https://github.com/FedML-AI/FedML.git
```
2查阅官方文档

README 只给出文档入口，未包含安装步骤；实际安装与依赖要求请以该文档站内容为准。
3了解平台三层能力

README 说明调度层 Launch、计算层 Train/Federate/Deploy 与 MLOps 层 Studio/Job Store 的定位，便于选择使用路径。
4按需接入云端平台

若要用跨云 GPU 调度、模型服务或联邦学习托管能力，需前往 TensorOpera 官网注册并按其指引操作。
5加入社区获取帮助

遇到问题时可通过 README 提供的 Slack 或 Discord 社区频道寻求支持。

如何确认成功

README 未给出启动命令或验证方式，无法在本地验证；请以官方文档 https://docs.TensorOpera.ai 的说明为准。

常见问题

Q：可以直接 pip 安装吗？

A：本次 README 节选未给出任何安装命令，不能确认包名与安装方式。请查阅官方文档 https://docs.TensorOpera.ai 获取权威安装说明。

Q：运行需要 GPU 吗？

A：README 提到支持在 GPU 云、本地集群、边缘服务器和手机上运行任务，但是否必须 GPU 取决于具体任务，README 未明确说明。

Q：FedML 和 TensorOpera AI 是什么关系？

A：README 说明 TensorOpera AI 是云端服务，与开源的 TensorOpera/FedML 库高度集成，开源库负责运行各类 AI 任务。

Q：支持哪些联邦学习算法？

A：项目简介提到支持 FedAvg、FedProx 等算法，但 README 节选中未列出具体算法清单与调用方式。

Q：遇到问题去哪里求助？

A：可加入 README 中给出的 Slack 或 Discord 社区，仓库地址为 https://github.com/FedML-AI/FedML。

注意事项

本教程仅依据 README 节选整理，该节选没有安装命令、依赖列表、端口或配置文件说明，实际部署请以官方文档为准。
README 中出现的所有链接（docs、TensorOpera 官网、Slack、Discord）均需联网访问，部分平台能力可能需要注册账号。
不要凭猜测执行 pip install 或 docker 命令，避免安装到同名但非本项目的包。

核心亮点

提供跨云调度器，可统一管理多个云平台和本地集群资源
支持从模拟到真实部署的联邦学习全流程，算法丰富
覆盖 MLOps 全链路，包括训练、部署、监控，工程化程度高

不足之处

文档/社区待观察
项目复杂度高，新手入门学习曲线较陡

适用场景

跨云或混合云环境下的分布式模型训练
数据隐私敏感场景下的联邦学习（如医疗、金融）
边缘设备上的模型训练与部署

替代项目

Flower、PySyft、Horovod

项目介绍

FedML 是模型训练领域的开源项目，由 FedML-AI 开发，2020 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（4,064）位列前 30%，在模型训练分类的 518 个项目里位列前 12%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。从国内网络环境看，可直接访问。

它主要面向的使用场景是：跨云或混合云环境下的分布式模型训练。同类可对比的替代方案包括 Flower、PySyft、Horovod。

上一篇：aim

下一篇：doc-to-lora