不考虑具体原理，单纯考虑作用的话，可以把μ-strongly convex和L-smooth看作是一对CP，这对CP可以将目标函数强行变成一个二次函数的样子，并且限制了梯度的最大最小变化速度，使得梯度下降变得可控（L-smooth定义了二次函数的上界和梯度的最大变化速度，μ-strongly convexh定义了二次函数的上下界和梯度的最小变化速度）。目标函数有了这样的性质，便可以很方便地对其进行

联邦学习开坑！本人目前的大研究方向是联邦学习（FL），在老师的建议下，我决定从客户端数据异构这一方向出发开展学习。这里就先开个坑，开始记录自己的学习心得，欢迎各位批评指正，共同学习。在现有的 FL 系统中，参与每一轮更新的客户端数量通常是固定的。最初的 FL 系统假设全部客户端都完全参与，即所有客户端都参与了每一轮的训练。而在实际应用中，受限于客户端状态、网络条件等，FL 的实施方案在每轮训练中只

模型跑完想再跑一遍的时候居然给我报“CUDA out of memory”，很明显，我的显卡虽然菜，但起码还是可以跑的，毕竟刚跑完，那就可能是python在运行完以后没有释放资源，导致GPU的内存满了。如果是这样的话，那解决的方法就很简单了，直接把进程杀死就行。首先在C:\Program Files\NVIDIA Corporation\NVSMI位置打开命令行，然后输入nvidia-smi（也可