联邦学习中客户端的数量直接影响性能，这体现在数据多样性、通信效率和计算资源分配上。 增加客户端的数量通常会通过使全局模型暴露于更广泛的数据分布来提高模型泛化能力。 例如，在成千上万部智能手机上训练语言模型，可以使模型学习到较小客户端群体可能错过的区域方言和使用模式。 但是，更多的客户端也意味着更高的通信成本，因为服务器必须汇总来自更多来源的更新。 如果客户端的带宽有限或连接不稳定，这可能会减慢训练速度。
客户端数量与性能之间的关系不是线性的。 尽管大量的客户端可以降低过度拟合特定数据集的风险，但它也引入了诸如“掉队者”（stragglers）之类的挑战，即硬件较慢或连接不稳定的客户端会延迟聚合。 例如，在联邦医疗成像系统中，拥有高端 GPU 的医院可能比拥有旧硬件的诊所更快地计算更新，从而造成瓶颈。 此外，随着客户端数量的增加，非独立且同分布 (non-IID) 数据变得更加明显。 如果面部识别任务中 90% 的客户端缺乏多样化的年龄组，则全局模型对于代表性不足的人群可能表现不佳。 诸如加权聚合或客户端聚类之类的技术可以缓解此问题，但会增加复杂性。
实际实施通常会平衡客户端数量和资源限制。 开发人员可能会限制每个训练轮次的参与人数（例如，从 10,000 个客户端中选择 100 个客户端）以减少开销。 TensorFlow Federated 或 PyTorch Lightning 等框架通过优先考虑具有可靠连接或足够数据的客户端来优化此过程。 例如，联邦推荐系统可能会排除电池电量低的设备，以避免更新不完整。 动态调整客户端参与率（例如，在模型稳定时增加参与率）也可以提高效率。 最终，最佳客户端数量取决于用例、基础设施以及模型准确性和训练速度之间的权衡。