前面一篇文章对联邦学习的代码进行了详细的解读，这篇文章主要是通过调试，更深入地了解一下联邦学习代码是如何运行的，促进后续我们对于其他和联邦学习的相关文章的阅读，以及在本代码基础之上进行修改。
首先回顾一下伪代码：
这些都不用再说明了，就是一些基本设置。那args已经在options.py进行设置了。运行这几段代码之后，会展示出一些联邦学习设置的重要细节（如下图所示），这些细节都可以通过命令行参数来改变。
实验的重要细节：
模型：‘mlp’
优化器：‘sgd’
学习率：0.01
全局回合数：10
联邦学习参数：
数据集采集：IID（独立同分布）
用户选取比例C：0.1
本地批量大小B：10
本地回合数E：10
获取数据集
这行代码主要是为了获取训练集和测试机、用户组。
我们获取的训练集如下图所示：
我们获取的测试数据集如图所示：
获取的用户组如图所示，是随机从训练集中选取的IID或者non-IID的数据，图中的每个用户组数据是图片的索引值。
开始训练
我们训练的模型是’mlp’所以直接进入这个条件判断后的语句
运行到最后一步的时候len_in=784，为什么要像这样进行MLP模型的训练我暂时还不明白，或许后面还得仔细看看论文的实验设置。
原论文说明了多层感知器是有两个隐藏层以及200个单元的，每个单元都是用ReLu激活函数，我们将其视为MNIST 2NN。但是代码中设置的隐藏层是有64层的？？？另外输入为什么需要设置一个循环进行不同的设置，是因为单纯要计算最后的len_in吗？？？
初始化参数：
上述代码设置模型进行训练，并将模型发给设备（cpu），打印出模型的信息。
global_model.train()这行代码作用是什么？为什么这里就开始训练了？下面一张图的模型的每层的参数是如何得到的？？？
答：model.train()怎么用？在使用 pytorch 构建神经网络的时候，训练过程中会在程序上方添加一句model.train()，作用是 启用 batch normalization 和 dropout 。
如果模型中有BN层（Batch Normalization）和 Dropout ，需要在 训练时 添加 model.train()。
model.train() 是保证 BN 层能够用到 每一批数据 的均值和方差。对于 Dropout，model.train() 是 随机取一部分 网络连接来训练更新参数。
本地更新
全局更新
- 进行全局的参数更新，取本地更新权重的平均值
- 训练损失值也进行更新
- 计算所有用户在每个全局回合当中的训练精度，根据这个回合算出的平均参数。
- 每个全局回合结束后，将打印输出这轮的训练损失值和训练精度
根据这样的步骤，循环执行，直至所有的全局回合结束。
测试精度和损失值
打印输出测试结果
测试结果如下：
