Bu colab tabanlı öğreticiler, pratik örnekler kullanarak ana TFF kavramları ve API'ler konusunda size yol gösterir. Referans belgeleri TFF kılavuzlarında bulunabilir.
Birleşik öğrenime başlarken
- Görüntü sınıflandırması için Federe Öğrenme, Birleşik Öğrenme (FL) API'sinin temel bölümlerini sunar ve birleştirilmiş MNIST benzeri veriler üzerinde birleşik öğrenmeyi simüle etmek için TFF'nin nasıl kullanılacağını gösterir.
- Metin üretimi için Federe Öğrenme, bir dil modelleme görevi için önceden eğitilmiş seri hale getirilmiş bir modeli geliştirmek üzere TFF'nin FL API'sinin nasıl kullanılacağını daha da gösterir.
- Öğrenme için önerilen toplamaları ayarlamak,
tff.learning
temel FL hesaplamalarının sağlamlık, diferansiyel gizlilik, sıkıştırma ve daha fazlasını sunan özel toplama rutinleriyle nasıl birleştirilebileceğini gösterir. - Matrix Faktoring için Birleşik Yeniden Yapılandırma, bazı istemci parametrelerinin hiçbir zaman sunucuda toplanmadığı, kısmen yerel birleştirilmiş öğrenme sunar. Öğretici, kısmen yerel bir matris çarpanlarına ayırma modelini eğitmek için Birleşik Öğrenme API'sinin nasıl kullanılacağını gösterir.
Birleştirilmiş analitiği kullanmaya başlama
- Private Heavy Hitters,
tff.analytics.heavy_hitters
özel ağır vurucuları keşfetmek üzere birleşik bir analitik hesaplaması oluşturmak için nasıl kullanılacağını gösterir.
Özel birleşik hesaplamalar yazma
- Kendi Birleşik Öğrenim Algoritmanızı Oluşturma, Birleşik Ortalamayı örnek olarak kullanarak, birleşik öğrenme algoritmalarını uygulamak için TFF Çekirdek API'lerinin nasıl kullanılacağını gösterir.
- Öğrenme Algoritmaları Oluşturmak, yeni birleşik öğrenme algoritmalarını, özellikle Birleşik Ortalamanın türevlerini kolayca uygulamak için TFF Öğrenme API'sinin nasıl kullanılacağını gösterir.
- TFF Optimize Edicili Özel Birleşik Algoritma, Birleşik Ortalama Alma için özel bir yinelemeli süreç oluşturmak üzere
tff.learning.optimizers
nasıl kullanılacağını gösterir. - Özel Birleşik Algoritmalar, Bölüm 1: Birleşik Çekirdeğe Giriş ve Bölüm 2: Birleşik Ortalamayı Uygulama, Birleşik Çekirdek API'si (FC API) tarafından sunulan temel kavramları ve arabirimleri tanıtır.
- Özel Toplamaları Uygulamak,
tff.aggregators
modülünün arkasındaki tasarım ilkelerini ve istemcilerden sunucuya özel değer toplamayı uygulamaya yönelik en iyi uygulamaları açıklar.
Simülasyon en iyi uygulamaları
Hızlandırıcılı (GPU) TFF simülasyonu, TFF'nin yüksek performanslı çalışma zamanının GPU'larla nasıl kullanılabileceğini gösterir.
ClientData ile çalışmak, TFF'nin ClientData tabanlı simülasyon veri kümelerini TFF hesaplamalarına entegre etmek için en iyi uygulamaları sağlar.
Orta ve ileri düzey eğitimler
Rastgele gürültü üretimi, merkezi olmayan hesaplamalarda rastgelelik kullanmanın bazı inceliklerine işaret eder ve en iyi uygulamaları ve önerilen kalıpları önerir.
Belirli İstemcilere Farklı Verilerin tff.federated_select İle Gönderilmesi,
tff.federated_select
operatörünü tanıtır ve farklı istemcilere farklı veriler gönderen özel bir birleşik algoritmanın basit bir örneğini verir.federeated_select ve seyrek toplama aracılığıyla istemci açısından verimli büyük model birleşik öğrenme, TFF'nin her istemci cihazının
tff.federated_select
ve seyrek toplamayı kullanarak modelin yalnızca küçük bir bölümünü indirdiği ve güncellediği çok büyük bir modeli eğitmek için nasıl kullanılabileceğini gösterir.Birleşik Öğrenim Araştırması için TFF: Sıkıştırmayı Modelleyin ve Güncelleyin, tensor_encoding API üzerinde oluşturulan özel toplamaların TFF'de nasıl kullanılabileceğini gösterir.
TFF'de Diferansiyel Gizliliğe Sahip Federe Öğrenim, kullanıcı düzeyinde diferansiyel gizliliğe sahip modelleri eğitmek için TFF'nin nasıl kullanılacağını gösterir.
TFF'de JAX desteği, JAX hesaplamalarının TFF'de nasıl kullanılabileceğini göstererek, TFF'nin diğer ön uç ve arka uç makine öğrenimi çerçeveleriyle birlikte çalışabilecek şekilde nasıl tasarlandığını gösterir.