Tutoriels fédérés TensorFlow

Ces tutoriels, basés sur Colab, vous guident à travers les principaux concepts et API de TFF à l'aide d'exemples pratiques. La documentation de référence se trouve dans les guides TFF .

Remarque : TFF nécessite actuellement Python 3.9 ou une version ultérieure, mais les environnements d’exécution hébergés par Google Colaboratory utilisent actuellement Python 3.7. Par conséquent, pour exécuter ces notebooks, vous devrez utiliser un environnement d’exécution local personnalisé .

Premiers pas avec l'apprentissage fédéré

• L'apprentissage fédéré pour la classification d'images présente les éléments clés de l'API d'apprentissage fédéré (FL) et montre comment utiliser TFF pour simuler l'apprentissage fédéré sur des données fédérées de type MNIST.
• L'apprentissage fédéré pour la génération de texte démontre plus en détail comment utiliser l'API FL de TFF pour affiner un modèle pré-entraîné sérialisé pour une tâche de modélisation du langage.
• L'optimisation des agrégations recommandées pour l'apprentissage montre comment les calculs FL de base dans tff.learning peuvent être combinés avec des routines d'agrégation spécialisées offrant robustesse, confidentialité différentielle, compression, et plus encore.

Premiers pas avec l'analyse fédérée

• Private Heavy Hitters montre comment utiliser tff.analytics.heavy_hitters pour construire un calcul analytique fédéré afin de découvrir les acteurs clés privés.

Écriture de calculs fédérés personnalisés

• L'ouvrage « Building Your Own Federated Learning Algorithm » explique comment utiliser les API TFF Core pour implémenter des algorithmes d'apprentissage fédéré, en utilisant la moyenne fédérée comme exemple.
• L'ouvrage Composing Learning Algorithms explique comment utiliser l'API d'apprentissage TFF pour implémenter facilement de nouveaux algorithmes d'apprentissage fédéré, notamment des variantes de la moyenne fédérée.
• Les algorithmes fédérés personnalisés, partie 1 : Introduction au noyau fédéré et partie 2 : Implémentation de la moyenne fédérée, présentent les concepts clés et les interfaces offertes par l’API du noyau fédéré (API FC).
• La section « Implémentation des agrégations personnalisées » explique les principes de conception du module tff.aggregators et les bonnes pratiques pour la mise en œuvre de l’agrégation personnalisée des valeurs des clients vers le serveur.

meilleures pratiques de simulation

• La simulation TFF avec accélérateurs (GPU) montre comment l'environnement d'exécution haute performance de TFF peut être utilisé avec les GPU.

• L'utilisation de ClientData fournit les meilleures pratiques pour intégrer les ensembles de données de simulation basés sur ClientData de TFF dans les calculs TFF.

Tutoriels intermédiaires et avancés

• La génération de bruit aléatoire met en lumière certaines subtilités liées à l'utilisation de l'aléatoire dans les calculs décentralisés, et propose des bonnes pratiques ainsi que des modèles recommandés.

• L'utilisation de données différentes avec federated_language.federated_select introduit l'opérateur federated_language.federated_select et donne un exemple simple d'algorithme fédéré personnalisé qui envoie des données différentes à différents clients.

• L'apprentissage fédéré efficace pour les grands modèles côté client via federated_select et l'agrégation clairsemée montre comment TFF peut être utilisé pour entraîner un très grand modèle où chaque appareil client ne télécharge et ne met à jour qu'une petite partie du modèle, en utilisant federated_language.federated_select et l'agrégation clairsemée.

• L'ouvrage « Federated Learning with Differential Privacy in TFF » montre comment utiliser TFF pour entraîner des modèles avec une confidentialité différentielle au niveau de l'utilisateur.