优点

模型构造的简洁性非常好，用简单的代码实现复杂的功能。
兼容TensorFlow代码好。服务器参数更新和客户端参数更新都可以用TensorFlow代码编写。
教程完善，官网的教程介绍的比较详细。

缺点

和优点第一条对应，代码过于简单，尤其是模型参数内部通信机制几乎不可见，导致我们学习的时候无法了解通信机制（这也许是我吹毛求疵了）
和优点第二条对应，模型只能通过TensorFlow来构建，无法兼容其他深度学习框架。并且TFF对于数据类型的要求非常严格！

这里也要不得不吐槽一下，由于TFF在构建联邦学习算子的时候非常强调数据类型，需要明确输入模型的权重类型和数据集的权重类型，所以我们必须要获取模型的权重类型。而要获取模型的权重类型，就必须按照TFF规定的方法来构建TensorFlow模型，

官方提供了两种构建TensorFlow模型方法：（方法1）直接设置模型的参数weight +
bias，然后通过参数手动构建网络。这种方式对于复杂的网络构建来说就是噩梦，相当于把网络全部手写一遍。

（方法2）先构建tf.keras.model，然后从这个模型构建。但是这个网络也不能是直接通过网络的class()实例化直接得到。而是必须通过tf.keras.Sequential()的方式来进行模型构建。然后通过tff.learning.from_keras_model()函数来构建联邦学习模型。
当然，经过测试，我们也可以通过class构建模型，然后在add到tf.keras.Sequential()里面，但是对class的call函数也有明确的要求：要求输入参数除了self外只能有一个input（这里的变量名称可以任意），出现多余的参数会造成构建错误。

缺点3，TFF与TensorFlow的版本高度绑定，如果版本不兼容就无法运行。然而，官方github上并不能找到明确的版本对应。能找到的版本对应都来自于csdn，但是都是几年前的老版本，没有新版本。严重怀疑官方删掉了版本对应表格，如果有小伙伴找到了请在评论区指出来。
缺点4，TFF框架目前都是试验阶段，也就是只能在本地进行联邦学习，所以如果你想要工程实现，建议还是考虑微众银行FATE的框架，或者干脆自己写一个简单的框架把。

就说这么多，大家考虑清楚自己的模型输入能不能转换成[x,y]的固定格式，如果是简单的图像分类模型，倒是可以一试，有多模态数据输入的模型就不建议考虑了。

心累，忙活了半个月发现我的模型搞不了。