我有2个班级，每个班级有140个例子，我有4个客户，我想创建一个像McMahan的论文那样的非iid数据集，如何把例子分成碎片？
注："非iid性 "的概念有很多，可能是值得探讨的。
给非iid贴标签：你可能想让标签在客户端的分布非常不平衡。即使将例子的数量分布均匀，我们仍然可以得到非iid分布，如 [(35, 35), (10, 60), (50, 20), (45, 25)]. 该 McMahan 2016年 论文采用了类似的方法，但把一个有10个类的问题，只给大多数客户提供两个类（具体方法在论文第5页）。
数据量做法：你可能想给一些客户提供比其他客户更多的数据。在280个例子中，或许可以这样分配： (180, 80, 10, 10) 例子（忽略标签是如何分布的）。TensorFlow Federated中的StackOverflow数据集也有这样的表现，因为有些cleints有上万个例子，而有些只有100个。
特征非iid: 如果在特征空间中存在模式，也许将某些模式限制在某些用户身上是有用的。例如在图像识别任务中，也许一些相机的白平衡、旋转或颜色饱和度与其他相机不同（即使它们有大多数或所有标签）。与其在合成客户端中随机洗牌这些，不如将相似的特征模式分组到一个客户端中，可以给出不同形式的非iid。