Flower Docs/Framework — French @ Hosted Weblate: When we call ``start_simulation``, we tell Flower that there are …

Translation

English

French

Needs editing

Skip

	English	French	Actions
	We now have the class ``FlowerClient`` which defines client-side training/evaluation and ``client_fn`` which allows Flower to create ``FlowerClient`` instances whenever it needs to call ``fit`` or ``evaluate`` on one particular client. The last step is to start the actual simulation using ``flwr.simulation.start_simulation``.	Nous avons maintenant la classe ``FlowerClient`` qui définit l'entraînement/évaluation côté client et ``client_fn`` qui permet à Flower de créer des instances de ``FlowerClient`` chaque fois qu'il a besoin d'appeler ``fit`` ou ``evaluate`` sur un client particulier. La dernière étape consiste à démarrer la simulation réelle en utilisant ``flwr.simulation.start_simulation``.
	The function ``start_simulation`` accepts a number of arguments, amongst them the ``client_fn`` used to create ``FlowerClient`` instances, the number of clients to simulate (``num_clients``), the number of federated learning rounds (``num_rounds``), and the strategy. The strategy encapsulates the federated learning approach/algorithm, for example, Federated Averaging (FedAvg).	La fonction ``start_simulation`` accepte un certain nombre d'arguments, parmi lesquels le ``client_fn`` utilisé pour créer les instances ``FlowerClient``, le nombre de clients à simuler (``num_clients``), le nombre de tours d'apprentissage fédéré (``num_rounds``), et la stratégie. La stratégie encapsule l'approche/algorithme d'apprentissage fédéré, par exemple, Federated Averaging (FedAvg).
	Flower has a number of built-in strategies, but we can also use our own strategy implementations to customize nearly all aspects of the federated learning approach. For this example, we use the built-in ``FedAvg`` implementation and customize it using a few basic parameters. The last step is the actual call to ``start_simulation`` which - you guessed it - starts the simulation:	Flower dispose d'un certain nombre de stratégies intégrées, mais nous pouvons également utiliser nos propres implémentations de stratégies pour personnaliser presque tous les aspects de l'approche de l'apprentissage fédéré. Pour cet exemple, nous utilisons l'implémentation intégrée ``FedAvg`` et nous la personnalisons en utilisant quelques paramètres de base. La dernière étape est l'appel à ``start_simulation`` qui - tu l'as deviné - démarre la simulation :
	Behind the scenes	Dans les coulisses
	So how does this work? How does Flower execute this simulation?	Alors, comment cela fonctionne-t-il ? Comment Flower exécute-t-il cette simulation ?
	When we call ``start_simulation``, we tell Flower that there are 10 clients (``num_clients=10``). Flower then goes ahead an asks the ``FedAvg`` strategy to select clients. ``FedAvg`` knows that it should select 100% of the available clients (``fraction_fit=1.0``), so it goes ahead and selects 10 random clients (i.e., 100% of 10).	Lorsque nous appelons ``start_simulation``, nous disons à Flower qu'il y a 10 clients (``num_clients=10``). Flower demande alors à la stratégie ``FedAvg`` de sélectionner des clients. ``FedAvg` sait qu'il doit sélectionner 100% des clients disponibles (``fraction_fit=1.0``), alors il choisit 10 clients au hasard (c'est à dire 100% de 10).
	Flower then asks the selected 10 clients to train the model. When the server receives the model parameter updates from the clients, it hands those updates over to the strategy (FedAvg) for aggregation. The strategy aggregates those updates and returns the new global model, which then gets used in the next round of federated learning.	Flower demande ensuite aux 10 clients sélectionnés d'entraîner le modèle. Lorsque le serveur reçoit les mises à jour des paramètres du modèle de la part des clients, il les transmet à la stratégie (FedAvg) pour qu'elle les agrège. La stratégie agrège ces mises à jour et renvoie le nouveau modèle global, qui est ensuite utilisé dans le prochain cycle d'apprentissage fédéré.
	Where's the accuracy?	Où est la précision ?
	You may have noticed that all metrics except for ``losses_distributed`` are empty. Where did the ``{"accuracy": float(accuracy)}`` go?	Tu as peut-être remarqué que toutes les mesures, à l'exception de ``pertes_distribuées``, sont vides. Où est passée la ``{"précision" : float(précision)}`` ?
	Flower can automatically aggregate losses returned by individual clients, but it cannot do the same for metrics in the generic metrics dictionary (the one with the ``accuracy`` key). Metrics dictionaries can contain very different kinds of metrics and even key/value pairs that are not metrics at all, so the framework does not (and can not) know how to handle these automatically.	Flower peut automatiquement agréger les pertes renvoyées par les clients individuels, mais il ne peut pas faire la même chose pour les mesures dans le dictionnaire de mesures générique (celui avec la clé ``accuracy``). Les dictionnaires de mesures peuvent contenir des types de mesures très différents et même des paires clé/valeur qui ne sont pas des mesures du tout, donc le cadre ne sait pas (et ne peut pas) savoir comment les gérer automatiquement.
	As users, we need to tell the framework how to handle/aggregate these custom metrics, and we do so by passing metric aggregation functions to the strategy. The strategy will then call these functions whenever it receives fit or evaluate metrics from clients. The two possible functions are ``fit_metrics_aggregation_fn`` and ``evaluate_metrics_aggregation_fn``.	En tant qu'utilisateurs, nous devons indiquer au framework comment gérer/agréger ces métriques personnalisées, et nous le faisons en passant des fonctions d'agrégation de métriques à la stratégie. La stratégie appellera alors ces fonctions chaque fois qu'elle recevra des métriques d'ajustement ou d'évaluation de la part des clients. Les deux fonctions possibles sont ``fit_metrics_aggregation_fn`` et ``evaluate_metrics_aggregation_fn``.

Loading…

None

String updated in the repository

English

French 340 characters edited Current translation Translated

10 months ago

Browse all string changes

Things to check

Python format

The following format strings are missing: % o
The following format strings are extra: % d

Reset

Glossary

English	French
No related strings found in the glossary.

String information

Flags

python-format

Source string location

../../source/tutorial-series-get-started-with-flower-pytorch.ipynb:612

String age

10 months ago

Last updated

8 days ago

Source string age

10 months ago

Translation file

doc/locales/fr/LC_MESSAGES/framework-docs.po, string 3203