এই কোল্যাব-ভিত্তিক টিউটোরিয়ালগুলি আপনাকে ব্যবহারিক উদাহরণ ব্যবহার করে মূল TFF ধারণা এবং API গুলি সম্পর্কে জ্ঞান প্রদান করবে। রেফারেন্স ডকুমেন্টেশন TFF গাইডগুলিতে পাওয়া যাবে।
ফেডারেটেড লার্নিং শুরু করা
- ইমেজ ক্লাসিফিকেশনের জন্য ফেডারেটেড লার্নিং ফেডারেটেড লার্নিং (FL) API-এর মূল অংশগুলি উপস্থাপন করে এবং ফেডারেটেড MNIST-এর মতো ডেটাতে ফেডারেটেড লার্নিং অনুকরণ করতে TFF কীভাবে ব্যবহার করতে হয় তা প্রদর্শন করে।
- টেক্সট জেনারেশনের জন্য ফেডারেটেড লার্নিং আরও দেখায় যে কীভাবে TFF এর FL API ব্যবহার করে একটি ভাষা মডেলিং কাজের জন্য একটি সিরিয়ালাইজড প্রাক-প্রশিক্ষিত মডেলকে পরিমার্জন করতে হয়।
- শেখার জন্য প্রস্তাবিত সমষ্টিগুলিকে টিউন করা দেখায় যে কীভাবে
tff.learningএ মৌলিক FL গণনাগুলিকে বিশেষায়িত সমষ্টিগত রুটিনের সাথে একত্রিত করা যেতে পারে যা দৃঢ়তা, ডিফারেনশিয়াল গোপনীয়তা, সংকোচন এবং আরও অনেক কিছু প্রদান করে।
ফেডারেটেড অ্যানালিটিক্স দিয়ে শুরু করা
- প্রাইভেট হেভি হিটার্স দেখায় কিভাবে
tff.analytics.heavy_hittersব্যবহার করে একটি ফেডারেটেড অ্যানালিটিক্স গণনা তৈরি করতে হয় যাতে প্রাইভেট হেভি হিটার আবিষ্কার করা যায়।
কাস্টম ফেডারেটেড গণনা লেখা
- আপনার নিজস্ব ফেডারেটেড লার্নিং অ্যালগরিদম তৈরি করা দেখায় কিভাবে ফেডারেটেড লার্নিং অ্যালগরিদম বাস্তবায়নের জন্য TFF কোর API ব্যবহার করতে হয়, উদাহরণস্বরূপ ফেডারেটেড অ্যাভারেজিং ব্যবহার করে।
- কম্পোজিং লার্নিং অ্যালগরিদম দেখায় কিভাবে TFF লার্নিং API ব্যবহার করে নতুন ফেডারেটেড লার্নিং অ্যালগরিদম, বিশেষ করে ফেডারেটেড অ্যাভারেজিংয়ের বিভিন্ন রূপ সহজেই বাস্তবায়ন করতে হয়।
- কাস্টম ফেডারেটেড অ্যালগরিদম, পর্ব ১: ফেডারেটেড কোরের ভূমিকা এবং পর্ব ২: ফেডারেটেড অ্যাভারেজিং বাস্তবায়ন ফেডারেটেড কোর API (FC API) দ্বারা প্রদত্ত মূল ধারণা এবং ইন্টারফেসগুলি উপস্থাপন করে।
- কাস্টম অ্যাগ্রিগেশন বাস্তবায়ন
tff.aggregatorsমডিউলের পিছনে নকশা নীতি এবং ক্লায়েন্ট থেকে সার্ভারে মানগুলির কাস্টম অ্যাগ্রিগেশন বাস্তবায়নের সর্বোত্তম অনুশীলনগুলি ব্যাখ্যা করে।
সিমুলেশনের সেরা অনুশীলন
এক্সিলারেটর (GPU) সহ TFF সিমুলেশন দেখায় কিভাবে GPU গুলির সাথে TFF এর উচ্চ-কার্যক্ষমতা রানটাইম ব্যবহার করা যেতে পারে।
ClientData এর সাথে কাজ করলে TFF এর ClientData- ভিত্তিক সিমুলেশন ডেটাসেটগুলিকে TFF গণনার সাথে একীভূত করার জন্য সর্বোত্তম অনুশীলন পাওয়া যায়।
মধ্যবর্তী এবং উন্নত টিউটোরিয়াল
বিকেন্দ্রীভূত গণনায় এলোমেলোভাবে ব্যবহারের কিছু সূক্ষ্মতা তুলে ধরে এলোমেলো শব্দ উৎপন্নকরণ , এবং সর্বোত্তম অনুশীলন এবং সুপারিশকৃত নিদর্শনগুলি প্রস্তাব করে।
নির্দিষ্ট ক্লায়েন্টদের কাছে বিভিন্ন ডেটা পাঠানো federated_language.federated_select এর মাধ্যমে
federated_language.federated_selectঅপারেটরটি প্রবর্তন করা হয় এবং একটি কাস্টম ফেডারেটেড অ্যালগরিদমের একটি সহজ উদাহরণ দেওয়া হয় যা বিভিন্ন ক্লায়েন্টদের কাছে বিভিন্ন ডেটা পাঠায়।federated_select এবং sparse aggregation এর মাধ্যমে ক্লায়েন্ট-দক্ষ বৃহৎ-মডেল ফেডারেটেড লার্নিং দেখায় যে কীভাবে TFF ব্যবহার করে একটি খুব বড় মডেলকে প্রশিক্ষণ দেওয়া যেতে পারে যেখানে প্রতিটি ক্লায়েন্ট ডিভাইস
federated_language.federated_selectএবং sparse aggregation ব্যবহার করে মডেলের একটি ছোট অংশ ডাউনলোড এবং আপডেট করে।TFF-তে ডিফারেনশিয়াল প্রাইভেসি সহ ফেডারেটেড লার্নিং কীভাবে ব্যবহারকারী-স্তরের ডিফারেনশিয়াল গোপনীয়তা সহ মডেলগুলিকে প্রশিক্ষণ দিতে TFF ব্যবহার করতে হয় তা প্রদর্শন করে।