# 使用示例 [![查看源文件](https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/r2.0/resource/_static/logo_source.png)](https://gitee.com/mindspore/docs/blob/r2.0/docs/federated/docs/source_zh_cn/interface_description_federated_client.md) 注意，在使用以下接口前，可先参照文档[横向端侧部署](https://www.mindspore.cn/federated/docs/zh-CN/r0.1/deploy_federated_client.html)进行相关环境的部署。 ## 联邦学习启动接口flJobRun() 调用flJobRun()接口前，需先实例化参数类FLParameter，进行相关参数设置， 相关参数如下： | 参数名称 | 参数类型 | 是否必须 | 描述信息 | 备注 | | -------------------- | -------------------------- | -------- | ------------------------------------------------------------ | ------------------------------------------------------------ | | dataMap | Map/> | Y | 联邦学习数据集路径 | Map/>类型的数据集，map中key为RunType枚举类型，value为对应的数据集列表，key为RunType.TRAINMODE时代表对应的value为训练相关的数据集列表，key为RunType.EVALMODE时代表对应的value为验证相关的数据集列表， key为RunType.INFERMODE时代表对应的value为推理相关的数据集列表。 | | flName | String | Y | 联邦学习使用的模型脚本包路径 | 我们提供了两个类型的模型脚本供大家参考（[有监督情感分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert)）、[LeNet图片分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet)），对于有监督情感分类任务，该参数可设置为所提供的脚本文件[AlBertClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert/AlbertClient.java) 的包路径`com.mindspore.flclient.demo.albert.AlbertClient`；对于LeNet图片分类任务，该参数可设置为所提供的脚本文件[LenetClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet/LenetClient.java) 的包路径`com.mindspore.flclient.demo.lenet.LenetClient`。同时，用户可参考这两个类型的模型脚本，自定义模型脚本，然后将该参数设置为自定义的模型文件ModelClient.java（需继承于类[Client.java](https://gitee.com/mindspore/federated/blob/r0.1/mindspore_federated/device_client/src/main/java/com/mindspore/flclient/model/Client.java)）的包路径即可。 | | trainModelPath | String | Y | 联邦学习使用的训练模型路径，为.ms文件的绝对路径 | 建议将路径设置到训练App自身目录下，保护模型本身的数据访问安全性。 | | inferModelPath | String | Y | 联邦学习使用的推理模型路径，为.ms文件的绝对路径 | 对于普通联邦学习模式（训练和推理使用同一个模型），该参数需设置为与trainModelPath相同；对于混合学习模式（训练和推理使用不同的模型，且云侧也包含训练过程），该参数设置为实际的推理模型路径。建议将路径设置到训练App自身目录下，保护模型本身的数据访问安全性。 | | sslProtocol | String | N | 端云HTTPS通信所使用的TLS协议版本 | 设置了白名单，目前只支持"TLSv1.3"或者"TLSv1.2"。非必须设置，默认值为"TLSv1.2"。只在HTTPS通信场景中使用。 | | deployEnv | String | Y | 联邦学习的部署环境 | 设置了白名单，目前只支持"x86", "android"。 | | certPath | String | N | 端云https通信所使用的自签名根证书路径 | 当部署环境为"x86"，且端云采用自签名证书进行https通信认证时，需要设置该参数，该证书需与生成云侧自签名证书所使用的CA根证书一致才能验证通过，此参数用于非Android场景。 | | domainName | String | Y | 端云通信url | 目前，https和http通信均支持，对应格式分别为：https://......、http://......，当`useElb`设置为true时，格式必须为：https://127.0.0.0:6666 或者http://127.0.0.0:6666 ，其中`127.0.0.0`对应提供云侧服务的机器ip（即云侧参数`--scheduler_ip`），`6666`对应云侧参数`--fl_server_port`。 | | ifUseElb | boolean | N | 用于多server场景设置是否将客户端的请求随机发送给一定范围内的不同server | 设置为true代表客户端会将请求随机发给一定范围内的server地址，false代表客户端的请求会发给固定的server地址，此参数用于非Android场景，默认值为false。 | | serverNum | int | N | 客户端可选择连接的server数量 | 当ifUseElb设置为true时，可设置为与云侧启动server端时的`server_num`参数保持一致，用于随机选择不同的server发送信息，此参数用于非Android场景，默认值为1。 | | ifPkiVerify | boolean | N | 端云身份认证开关 | 设置为true代表开启端云安全认证，设置为false代表不开启，默认值为false。身份认证需要HUKS提供证书，该参数只在Android环境中使用（目前只支持华为手机）。 | | threadNum | int | N | 联邦学习训练和推理时使用的线程数 | 默认值为1 | | cpuBindMode | BindMode | N | 联邦学习训练和推理时线程所需绑定的cpu内核 | BindMode枚举类型，其中BindMode.NOT_BINDING_CORE代表不绑定内核，由系统自动分配，BindMode.BIND_LARGE_CORE代表绑定大核，BindMode.BIND_MIDDLE_CORE代表绑定中核。默认值为BindMode.NOT_BINDING_CORE。 | | batchSize | int | Y | 联邦学习训练和推理时使用的单步训练样本数，即batch size | 需与模型的输入数据的batch size保持一致。 | | iflJobResultCallback | IFLJobResultCallback | N | 联邦学习回调函数对象 | 用户可根据实际场景所需，实现工程中接口类[IFLJobResultCallback.java](https://gitee.com/mindspore/federated/blob/r0.1/mindspore_federated/device_client/src/main/java/com/mindspore/flclient/IFLJobResultCallback.java)的具体方法后，作为回调函数对象设置到联邦学习任务中。我们提供了一个简单的实现用例[FLJobResultCallback.java](https://gitee.com/mindspore/federated/blob/r0.1/mindspore_federated/device_client/src/main/java/com/mindspore/flclient/IFLJobResultCallback.java)作为该参数默认值。 | 注意1，当使用http通信时，可能会存在通信安全风险，请知悉。 注意2，在Android环境中，进行https通信时还需对以下参数进行设置，设置示例如下： ```java FLParameter flParameter = FLParameter.getInstance(); SecureSSLSocketFactory sslSocketFactory = SecureSSLSocketFactory.getInstance(applicationContext) SecureX509TrustManager x509TrustManager = new SecureX509TrustManager(applicationContext); flParameter.setSslSocketFactory(sslSocketFactory); flParameter.setX509TrustManager(x509TrustManager); ``` 其中 `SecureSSLSocketFactory` 、`SecureX509TrustManager` 两个对象需在Android工程中实现，需要用户根据手机中证书种类自行进行设计。 注意3，在x86环境中，进行https通信时，目前只支持自签名证书认证，还需对以下参数进行设置，设置示例如下： ```java FLParameter flParameter = FLParameter.getInstance(); String certPath = "CARoot.pem"; // 端云https通信所使用的自签名根证书路径 flParameter.setCertPath(certPath); ``` 注意4，在Android环境中, 当pkiVerify设置为true且云侧设置encrypt_type=PW_ENCRYPT时，还需要对以下参数进行设置，设置示例如下： ```java FLParameter flParameter = FLParameter.getInstance(); String equipCrlPath = certPath; long validIterInterval = 3600000; flParameter.setEquipCrlPath(equipCrlPath); flParameter.setValidInterval(validIterInterval); ``` 其中`equipCrlPath`是设备之间证书校验需要的CRL证书，即证书吊销列表，一般可以预置 "Huawei CBG Certificate Revocation Lists" 中的设备证书CRL；`validIterInterval`一般可以设置为每轮端云聚合需要的时间（单位：毫秒，默认值为3600000），在PW_ENCRYPT模式下用来辅助防范重放攻击。 注意5，每次联邦学习任务启动前，会实例化类FLParameter进行相关参数设置。而实例化FLParameter时会自动随机生成一个clientID，用于与云侧交互过程中唯一标识该客户端，若用户需要自行设置clientID，可在实例化类FLParameter之后，调用其setClientID方法进行设置，则接着启动联邦学习任务后会使用用户设置的clientID。 创建SyncFLJob对象，并通过SyncFLJob类的flJobRun()方法启动同步联邦学习任务。 示例代码（基本http通信）如下： 1. 有监督情感分类任务示例代码 ```java // 构造dataMap String trainTxtPath = "data/albert/supervise/client/1.txt"; String evalTxtPath = "data/albert/supervise/eval/eval.txt"; // 非必须，getModel之后不进行验证可不设置 String vocabFile = "data/albert/supervise/vocab.txt"; // 数据预处理的词典文件路径 String idsFile = "data/albert/supervise/vocab_map_ids.txt" // 词典的映射id文件路径 Map> dataMap = new HashMap<>(); List trainPath = new ArrayList<>(); trainPath.add(trainTxtPath); trainPath.add(vocabFile); trainPath.add(idsFile); List evalPath = new ArrayList<>(); // 非必须，getModel之后不进行验证可不设置 evalPath.add(evalTxtPath); // 非必须，getModel之后不进行验证可不设置 evalPath.add(vocabFile); // 非必须，getModel之后不进行验证可不设置 evalPath.add(idsFile); // 非必须，getModel之后不进行验证可不设置 dataMap.put(RunType.TRAINMODE, trainPath); dataMap.put(RunType.EVALMODE, evalPath); // 非必须，getModel之后不进行验证可不设置 String flName = "com.mindspore.flclient.demo.albert.AlbertClient"; // AlBertClient.java 包路径 String trainModelPath = "ms/albert/train/albert_ad_train.mindir0.ms"; // 绝对路径 String inferModelPath = "ms/albert/train/albert_ad_train.mindir0.ms"; // 绝对路径, 和trainModelPath保持一致 String sslProtocol = "TLSv1.2"; String deployEnv = "android"; String domainName = "http://10.*.*.*:6668"; boolean ifUseElb = true; int serverNum = 4; int threadNum = 4; BindMode cpuBindMode = BindMode.NOT_BINDING_CORE; int batchSize = 32; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setDataMap(dataMap); flParameter.setTrainModelPath(trainModelPath); flParameter.setInferModelPath(inferModelPath); flParameter.setSslProtocol(sslProtocol); flParameter.setDeployEnv(deployEnv); flParameter.setDomainName(domainName); flParameter.setUseElb(useElb); flParameter.setServerNum(serverNum); flParameter.setThreadNum(threadNum); flParameter.setCpuBindMode(BindMode.valueOf(cpuBindMode)); // start FLJob SyncFLJob syncFLJob = new SyncFLJob(); syncFLJob.flJobRun(); ``` 2. LeNet图片分类任务示例代码 ```java // 构造dataMap String trainImagePath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_9_train_data.bin"; String trainLabelPath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_9_train_label.bin"; String evalImagePath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_1_test_data.bin"; // 非必须，getModel之后不进行验证可不设置 String evalLabelPath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_1_test_label.bin"; // 非必须，getModel之后不进行验证可不设置 Map> dataMap = new HashMap<>(); List trainPath = new ArrayList<>(); trainPath.add(trainImagePath); trainPath.add(trainLabelPath); List evalPath = new ArrayList<>(); // 非必须，getModel之后不进行验证可不设置 evalPath.add(evalImagePath); // 非必须，getModel之后不进行验证可不设置 evalPath.add(evalLabelPath); // 非必须，getModel之后不进行验证可不设置 dataMap.put(RunType.TRAINMODE, trainPath); dataMap.put(RunType.EVALMODE, evalPath); // 非必须，getModel之后不进行验证可不设置 String flName = "com.mindspore.flclient.demo.lenet.LenetClient"; // LenetClient.java 包路径 String trainModelPath = "SyncFLClient/lenet_train.mindir0.ms"; //绝对路径 String inferModelPath = "SyncFLClient/lenet_train.mindir0.ms"; //绝对路径 String sslProtocol = "TLSv1.2"; String deployEnv = "android"; String domainName = "http://10.*.*.*:6668"; boolean ifUseElb = true; int serverNum = 4; int threadNum = 4; BindMode cpuBindMode = BindMode.NOT_BINDING_CORE; int batchSize = 32; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setDataMap(dataMap); flParameter.setTrainModelPath(trainModelPath); flParameter.setInferModelPath(inferModelPath); flParameter.setSslProtocol(sslProtocol); flParameter.setDeployEnv(deployEnv); flParameter.setDomainName(domainName); flParameter.setUseElb(useElb); flParameter.setServerNum(serverNum); flParameter.setThreadNum(threadNum); flParameter.setCpuBindMode(BindMode.valueOf(cpuBindMode)); flParameter.setBatchSize(batchSize); // start FLJob SyncFLJob syncFLJob = new SyncFLJob(); syncFLJob.flJobRun(); ``` ## 多条数据输入推理接口modelInference() 调用modelInference()接口前，需先实例化参数类FLParameter，进行相关参数设置， 相关参数如下： | 参数名称 | 参数类型 | 是否必须 | 描述信息 | 适应API版本 | | -------------- | -------------------------- | -------- | ------------------------------------------------------ | ------------------------------------------------------------ | | flName | String | Y | 联邦学习使用的模型脚本包路径 | 我们提供了两个类型的模型脚本供大家参考（[有监督情感分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert)、[LeNet图片分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet)），对于有监督情感分类任务，该参数可设置为所提供的脚本文件[AlBertClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert/AlbertClient.java) 的包路径`com.mindspore.flclient.demo.albert.AlbertClient`；对于LeNet图片分类任务，该参数可设置为所提供的脚本文件[LenetClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet/LenetClient.java) 的包路径`com.mindspore.flclient.demo.lenet.LenetClient`。同时，用户可参考这两个类型的模型脚本，自定义模型脚本，然后将该参数设置为自定义的模型文件ModelClient.java（需继承于类[Client.java](https://gitee.com/mindspore/federated/blob/r0.1/mindspore_federated/device_client/src/main/java/com/mindspore/flclient/model/Client.java)）的包路径即可。 | | dataMap | Map/> | Y | 联邦学习数据集路径 | Map/>类型的数据集，map中key为RunType枚举类型，value为对应的数据集列表，key为RunType.TRAINMODE时代表对应的value为训练相关的数据集列表，key为RunType.EVALMODE时代表对应的value为验证相关的数据集列表， key为RunType.INFERMODE时代表对应的value为推理相关的数据集列表。 | | inferModelPath | String | Y | 联邦学习推理模型路径，为.ms文件的绝对路径 | 对于普通联邦学习模式（训练和推理使用同一个模型），该参数需设置为与trainModelPath相同；对于混合学习模式（训练和推理使用不同的模型，且云侧也包含训练过程），该参数设置为实际的推理模型路径。建议将路径设置到训练App自身目录下，保护模型本身的数据访问安全性。 | | threadNum | int | N | 联邦学习训练和推理时使用的线程数 | 默认值为1 | | cpuBindMode | BindMode | N | 联邦学习训练和推理时线程所需绑定的cpu内核 | BindMode枚举类型，其中BindMode.NOT_BINDING_CORE代表不绑定内核，由系统自动分配，BindMode.BIND_LARGE_CORE代表绑定大核，BindMode.BIND_MIDDLE_CORE代表绑定中核。默认值为BindMode.NOT_BINDING_CORE。 | | batchSize | int | Y | 联邦学习训练和推理时使用的单步训练样本数，即batch size | 需与模型的输入数据的batch size保持一致。 | 创建SyncFLJob对象，并通过SyncFLJob类的modelInference()方法启动端侧推理任务，返回推理的标签数组。 示例代码如下： 1. 有监督情感分类任务示例代码 ```java // 构造dataMap String inferTxtPath = "data/albert/supervise/eval/eval.txt"; String vocabFile = "data/albert/supervise/vocab.txt"; String idsFile = "data/albert/supervise/vocab_map_ids.txt" Map> dataMap = new HashMap<>(); List inferPath = new ArrayList<>(); inferPath.add(inferTxtPath); inferPath.add(vocabFile); inferPath.add(idsFile); dataMap.put(RunType.INFERMODE, inferPath); String flName = "com.mindspore.flclient.demo.albert.AlbertClient"; // AlBertClient.java 包路径 String inferModelPath = "ms/albert/train/albert_ad_train.mindir0.ms"; // 绝对路径, 和trainModelPath保持一致; int threadNum = 4; BindMode cpuBindMode = BindMode.NOT_BINDING_CORE; int batchSize = 32; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setDataMap(dataMap); flParameter.setInferModelPath(inferModelPath); flParameter.setThreadNum(threadNum); flParameter.setCpuBindMode(BindMode.valueOf(cpuBindMode)); flParameter.setBatchSize(batchSize); // inference SyncFLJob syncFLJob = new SyncFLJob(); int[] labels = syncFLJob.modelInference(); ``` 2. LeNet图片分类示例代码 ```java // 构造dataMap String inferImagePath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_1_test_data.bin"; String inferLabelPath = "SyncFLClient/data/3500_clients_bin/f0178_39/f0178_39_bn_1_test_label.bin"; Map> dataMap = new HashMap<>(); List inferPath = new ArrayList<>(); inferPath.add(inferImagePath); inferPath.add(inferLabelPath); dataMap.put(RunType.INFERMODE, inferPath); String flName = "com.mindspore.flclient.demo.lenet.LenetClient"; // LenetClient.java 包路径 String inferModelPath = "SyncFLClient/lenet_train.mindir0.ms"; int threadNum = 4; BindMode cpuBindMode = BindMode.NOT_BINDING_CORE; int batchSize = 32; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setDataMap(dataMap); flParameter.setInferModelPath(inferModelPath); flParameter.setThreadNum(threadNum); flParameter.setCpuBindMode(BindMode.valueOf(cpuBindMode)); flParameter.setBatchSize(batchSize); // inference SyncFLJob syncFLJob = new SyncFLJob(); int[] labels = syncFLJob.modelInference(); ``` ## 获取云侧最新模型接口getModel () 调用getModel()接口前，需先实例化参数类FLParameter，进行相关参数设置， 相关参数如下： | 参数名称 | 参数类型 | 是否必须 | 描述信息 | 备注 | | -------------- | --------- | -------- | ------------------------------------------------------------ | ------------------------------------------------------------ | | flName | String | Y | 联邦学习使用的模型脚本包路径 | 我们提供了两个类型的模型脚本供大家参考（[有监督情感分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert)、[LeNet图片分类任务](https://gitee.com/mindspore/federated/tree/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet)），对于有监督情感分类任务，该参数可设置为所提供的脚本文件[AlBertClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/albert/AlbertClient.java) 的包路径`com.mindspore.flclient.demo.albert.AlbertClient`；对于LeNet图片分类任务，该参数可设置为所提供的脚本文件[LenetClient.java](https://gitee.com/mindspore/federated/blob/r0.1/example/quick_start_flclient/src/main/java/com/mindspore/flclient/demo/lenet/LenetClient.java) 的包路径`com.mindspore.flclient.demo.lenet.LenetClient`。同时，用户可参考这两个类型的模型脚本，自定义模型脚本，然后将该参数设置为自定义的模型文件ModelClient.java（需继承于类[Client.java](https://gitee.com/mindspore/federated/blob/r0.1/mindspore_federated/device_client/src/main/java/com/mindspore/flclient/model/Client.java)）的包路径即可。 | | trainModelPath | String | Y | 联邦学习使用的训练模型路径，为.ms文件的绝对路径 | 建议将路径设置到训练App自身目录下，保护模型本身的数据访问安全性。 | | inferModelPath | String | Y | 联邦学习推理模型路径，为.ms文件的绝对路径 | 对于普通联邦学习模式（训练和推理使用同一个模型），该参数需设置为与trainModelPath相同；对于混合学习模式（训练和推理使用不同的模型，且云侧也包含训练过程），该参数设置为实际的推理模型路径。建议将路径设置到训练App自身目录下，保护模型本身的数据访问安全性。 | | sslProtocol | String | N | 端云HTTPS通信所使用的TLS协议版本 | 设置了白名单，目前只支持"TLSv1.3"或者"TLSv1.2"。非必须设置，默认值为"TLSv1.2"。只在HTTPS通信场景中使用。 | | deployEnv | String | Y | 联邦学习的部署环境 | 设置了白名单，目前只支持"x86", "android"。 | | certPath | String | N | 端云https通信所使用的自签名根证书路径 | 当部署环境为"x86"，且端云采用自签名证书进行https通信认证时，需要设置该参数，该证书需与生成云侧自签名证书所使用的CA根证书一致才能验证通过，此参数用于非Android场景。 | | domainName | String | Y | 端云通信url | 目前，https和http通信均支持，对应格式分别为：https://......、http://......，当`useElb`设置为true时，格式必须为：https://127.0.0.0:6666 或者http://127.0.0.0:6666 ，其中`127.0.0.0`对应提供云侧服务的机器ip（即云侧参数`--scheduler_ip`），`6666`对应云侧参数`--fl_server_port`。 | | ifUseElb | boolean | N | 用于多server场景设置是否将客户端的请求随机发送给一定范围内的不同server | 设置为true代表客户端会将请求随机发给一定范围内的server地址，false代表客户端的请求会发给固定的server地址，此参数用于非Android场景，默认值为false。 | | serverNum | int | N | 客户端可选择连接的server数量 | 当ifUseElb设置为true时，可设置为与云侧启动server端时的`server_num`参数保持一致，用于随机选择不同的server发送信息，此参数用于非Android场景，默认值为1。 | | serverMod | ServerMod | Y | 联邦学习训练模式。 | ServerMod枚举类型的联邦学习训练模式，其中ServerMod.FEDERATED_LEARNING代表普通联邦学习模式（训练和推理使用同一个模型）ServerMod.HYBRID_TRAINING代表混合学习模式（训练和推理使用不同的模型，且云侧也包含训练过程）。 | 注意1，当使用http通信时，可能会存在通信安全风险，请知悉。 注意2，在Android环境中，进行https通信时还需对以下参数进行设置，设置示例如下： ```java FLParameter flParameter = FLParameter.getInstance(); SecureSSLSocketFactory sslSocketFactory = SecureSSLSocketFactory.getInstance(applicationContext) SecureX509TrustManager x509TrustManager = new SecureX509TrustManager(applicationContext); flParameter.setSslSocketFactory(sslSocketFactory); flParameter.setX509TrustManager(x509TrustManager); ``` 其中 `SecureSSLSocketFactory` 、`SecureX509TrustManager` 两个对象需在Android工程中实现，需要用户根据手机中证书种类自行进行设计。 注意3，在X86环境中，进行https通信时，目前只支持自签名证书认证，还需对以下参数进行设置，设置示例如下： ```java FLParameter flParameter = FLParameter.getInstance(); String certPath = "CARoot.pem"; // 端云https通信所使用的自签名根证书路径 flParameter.setCertPath(certPath); ``` 注意4，在调用getModel方法前，会实例化类FLParameter进行相关参数设置。而实例化FLParameter时会自动随机生成一个clientID，用于与云侧交互过程中唯一标识该客户端，若用户需要自行设置clientID，可在实例化类FLParameter之后，调用其setCertPath方法进行设置，则接着启动getModel任务后会使用用户设置的clientID。 创建SyncFLJob对象，并通过SyncFLJob类的getModel()方法启动异步推理任务，返回getModel请求状态码。 示例代码如下： 1. 有监督情感分类任务版本 ```java String flName = "com.mindspore.flclient.demo.albert.AlbertClient"; // AlBertClient.java 包路径 String trainModelPath = "ms/albert/train/albert_ad_train.mindir0.ms"; //绝对路径 String inferModelPath = "ms/albert/train/albert_ad_train.mindir0.ms"; //绝对路径, 和trainModelPath保持一致 String sslProtocol = "TLSv1.2"; String deployEnv = "android"; String domainName = "http://10.*.*.*:6668"; boolean ifUseElb = true; int serverNum = 4; ServerMod serverMod = ServerMod.FEDERATED_LEARNING; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setTrainModelPath(trainModelPath); flParameter.setInferModelPath(inferModelPath); flParameter.setSslProtocol(sslProtocol); flParameter.setDeployEnv(deployEnv); flParameter.setDomainName(domainName); flParameter.setUseElb(useElb); flParameter.setServerNum(serverNum); flParameter.setServerMod(ServerMod.valueOf(serverMod)); // getModel SyncFLJob syncFLJob = new SyncFLJob(); syncFLJob.getModel(); ``` 2. LeNet图片分类任务版本 ```java String flName = "com.mindspore.flclient.demo.lenet.LenetClient"; // LenetClient.java 包路径 String trainModelPath = "SyncFLClient/lenet_train.mindir0.ms"; //绝对路径 String inferModelPath = "SyncFLClient/lenet_train.mindir0.ms"; //绝对路径, 和trainModelPath保持一致 String sslProtocol = "TLSv1.2"; String deployEnv = "android"; String domainName = "http://10.*.*.*:6668"; boolean ifUseElb = true; int serverNum = 4; ServerMod serverMod = ServerMod.FEDERATED_LEARNING; FLParameter flParameter = FLParameter.getInstance(); flParameter.setFlName(flName); flParameter.setTrainModelPath(trainModelPath); flParameter.setInferModelPath(inferModelPath); flParameter.setSslProtocol(sslProtocol); flParameter.setDeployEnv(deployEnv); flParameter.setDomainName(domainName); flParameter.setUseElb(useElb); flParameter.setServerNum(serverNum); flParameter.setServerMod(ServerMod.valueOf(serverMod)); // getModel SyncFLJob syncFLJob = new SyncFLJob(); syncFLJob.getModel(); ```