این آموزشهای مبتنی بر همکاری، شما را با مفاهیم اصلی TFF و APIها با استفاده از مثالهای عملی آشنا میکنند. مستندات مرجع را میتوانید در راهنماهای TFF بیابید.
شروع به کار با یادگیری فدرال
- یادگیری فدرال برای طبقهبندی تصویر ، بخشهای کلیدی API یادگیری فدرال (FL) را معرفی میکند و نحوه استفاده از TFF را برای شبیهسازی یادگیری فدرال روی دادههای فدرال مانند MNIST نشان میدهد.
- یادگیری فدرال برای تولید متن، نحوه استفاده از API FL TFF را برای اصلاح یک مدل از پیش آموزش دیده سریالی شده برای یک کار مدل سازی زبان، بیشتر نشان میدهد.
- تنظیم تجمیعهای توصیهشده برای یادگیری نشان میدهد که چگونه محاسبات اساسی FL در
tff.learningرا میتوان با روالهای تجمیع تخصصی که استحکام، حریم خصوصی تفاضلی، فشردهسازی و موارد دیگر را ارائه میدهند، ترکیب کرد.
شروع کار با تجزیه و تحلیل فدرال
- Private Heavy Hitters نحوه استفاده از
tff.analytics.heavy_hittersرا برای ساخت یک محاسبه تحلیلی فدرال برای کشف Private Heavy Hitters نشان میدهد.
نوشتن محاسبات فدرال سفارشی
- «ساخت الگوریتم یادگیری فدرال خودتان» نشان میدهد که چگونه از APIهای هسته TFF برای پیادهسازی الگوریتمهای یادگیری فدرال استفاده کنید، و به عنوان مثال از میانگینگیری فدرال استفاده کنید.
- کتاب «الگوریتمهای یادگیری ترکیبی» نشان میدهد که چگونه میتوان از API یادگیری TFF برای پیادهسازی آسان الگوریتمهای یادگیری فدرال جدید، بهویژه انواع مختلف میانگینگیری فدرال، استفاده کرد.
- الگوریتمهای فدرال سفارشی، بخش ۱: مقدمهای بر هسته فدرال و بخش ۲: پیادهسازی میانگینگیری فدرال، مفاهیم کلیدی و رابطهای ارائه شده توسط API هسته فدرال (FC API) را معرفی میکنند.
- کتاب «پیادهسازی تجمیعهای سفارشی» اصول طراحی پشت ماژول
tff.aggregatorsو بهترین شیوهها برای پیادهسازی تجمیع سفارشی مقادیر از کلاینتها به سرور را توضیح میدهد.
بهترین شیوههای شبیهسازی
شبیهسازی TFF با شتابدهندهها (GPU) نشان میدهد که چگونه میتوان از زمان اجرای با کارایی بالای TFF با GPUها استفاده کرد.
کار با ClientData بهترین شیوهها را برای ادغام مجموعه دادههای شبیهسازی مبتنی بر ClientData از TFF در محاسبات TFF ارائه میدهد.
آموزشهای سطح متوسط و پیشرفته
تولید نویز تصادفی، برخی از ظرافتهای استفاده از تصادفی بودن در محاسبات غیرمتمرکز را نشان میدهد و بهترین شیوهها و الگوها را پیشنهاد میدهد.
ارسال دادههای متفاوت به کلاینتهای خاص با federated_language.federated_select عملگر
federated_language.federated_selectرا معرفی میکند و مثال سادهای از یک الگوریتم فدرال سفارشی ارائه میدهد که دادههای متفاوتی را به کلاینتهای مختلف ارسال میکند.یادگیری فدرال مدل بزرگ با کارایی کلاینت از طریق federated_select و sparse aggregation نشان میدهد که چگونه میتوان از TFF برای آموزش یک مدل بسیار بزرگ استفاده کرد که در آن هر دستگاه کلاینت فقط بخش کوچکی از مدل را با استفاده از
federated_language.federated_selectو sparse aggregation دانلود و بهروزرسانی میکند.یادگیری فدرال با حریم خصوصی تفاضلی در TFF نحوه استفاده از TFF را برای آموزش مدلها با حریم خصوصی تفاضلی سطح کاربر نشان میدهد.