Tutorial berbasis colab ini memandu Anda memahami konsep utama TFF dan API menggunakan contoh praktis. Dokumentasi referensi dapat ditemukan di panduan TFF .
Memulai dengan pembelajaran federasi
- Federated Learning untuk klasifikasi gambar memperkenalkan bagian penting dari Federated Learning (FL) API, dan menunjukkan cara menggunakan TFF untuk mensimulasikan pembelajaran federasi pada data mirip MNIST federasi.
- Federated Learning untuk pembuatan teks selanjutnya menunjukkan cara menggunakan API FL TFF untuk menyempurnakan model pra-terlatih berseri untuk tugas pemodelan bahasa.
- Menyetel agregasi yang direkomendasikan untuk pembelajaran menunjukkan bagaimana perhitungan FL dasar di
tff.learning
dapat digabungkan dengan rutinitas agregasi khusus yang menawarkan ketahanan, privasi diferensial, kompresi, dan banyak lagi. - Rekonstruksi Federasi untuk Faktorisasi Matriks memperkenalkan sebagian pembelajaran federasi lokal, di mana beberapa parameter klien tidak pernah digabungkan di server. Tutorial menunjukkan cara menggunakan Federated Learning API untuk melatih model faktorisasi matriks sebagian lokal.
Memulai analitik federasi
- Private Heavy Hitters menunjukkan cara menggunakan
tff.analytics.heavy_hitters
untuk membuat perhitungan analitik federasi untuk menemukan heavy hitter pribadi.
Menulis perhitungan federasi khusus
- Membuat Algoritma Pembelajaran Federasi Anda Sendiri menunjukkan cara menggunakan API Inti TFF untuk mengimplementasikan algoritme pembelajaran federasi, menggunakan Rata-Rata Federasi sebagai contoh.
- Menyusun Algoritma Pembelajaran menunjukkan cara menggunakan TFF Learning API untuk dengan mudah menerapkan algoritme pembelajaran federasi baru, khususnya varian Federated Averaging.
- Algoritma Federasi Khusus dengan Pengoptimal TFF menunjukkan cara menggunakan
tff.learning.optimizers
untuk membangun proses iteratif khusus untuk Rata-rata Federasi. - Algoritma Federasi Khusus, Bagian 1: Pengantar Inti Federasi dan Bagian 2: Menerapkan Rata-Rata Federasi memperkenalkan konsep dan antarmuka utama yang ditawarkan oleh Federated Core API (FC API).
- Menerapkan Agregasi Kustom menjelaskan prinsip desain di balik modul
tff.aggregators
dan praktik terbaik untuk menerapkan agregasi nilai kustom dari klien ke server.
Praktik terbaik simulasi
Simulasi TFF dengan akselerator (GPU) menunjukkan bagaimana runtime performa tinggi TFF dapat digunakan dengan GPU.
Bekerja dengan ClientData memberikan praktik terbaik untuk mengintegrasikan set data simulasi berbasis ClientData TFF ke dalam komputasi TFF.
Tutorial tingkat menengah dan lanjutan
Pembuatan kebisingan acak menunjukkan beberapa kehalusan dengan menggunakan keacakan dalam perhitungan terdesentralisasi, dan mengusulkan praktik terbaik dan merekomendasikan pola.
Mengirim Data Berbeda ke Klien Tertentu Dengan tff.federated_select memperkenalkan operator
tff.federated_select
dan memberikan contoh sederhana dari algoritme federasi khusus yang mengirimkan data berbeda ke klien berbeda.Pembelajaran federasi model besar yang efisien-klien melalui federated_select dan agregasi jarang menunjukkan bagaimana TFF dapat digunakan untuk melatih model yang sangat besar di mana setiap perangkat klien hanya mengunduh dan memperbarui sebagian kecil model, menggunakan
tff.federated_select
dan agregasi jarang.TFF untuk Federated Learning Research: Model and Update Compression menunjukkan bagaimana agregasi khusus yang dibangun di tensor_encoding API dapat digunakan di TFF.
Pembelajaran Federasi dengan Privasi Diferensial di TFF menunjukkan cara menggunakan TFF untuk melatih model dengan privasi diferensial tingkat pengguna.
Dukungan untuk JAX di TFF menunjukkan bagaimana komputasi JAX dapat digunakan di TFF, mendemonstrasikan bagaimana TFF dirancang agar dapat beroperasi dengan framework ML frontend dan backend lainnya.