מדריכים אלה , המבוססים על שיתוף פעולה, ידריכו אתכם דרך המושגים העיקריים של TFF וממשקי ה-API באמצעות דוגמאות מעשיות. ניתן למצוא תיעוד עזר במדריכי TFF .
תחילת העבודה עם למידה מאוחדת
- למידה מאוחדת לסיווג תמונות מציגה את החלקים המרכזיים של ממשק ה-API של למידה מאוחדת (FL), ומדגימה כיצד להשתמש ב-TFF כדי לדמות למידה מאוחדת על נתונים מאוחדים דמויי MNIST.
- למידה מאוחדת ליצירת טקסט מדגימה עוד כיצד להשתמש ב-FL API של TFF כדי לחדד מודל מאומן מראש בסידרה עבור משימת מידול שפה.
- כוונון צבירה מומלצת ללמידה מראה כיצד ניתן לשלב את חישובי FL הבסיסיים ב-
tff.learningעם שגרות צבירה ייעודיות המציעות חוסן, פרטיות דיפרנציאלית, דחיסה ועוד.
תחילת העבודה עם אנליטיקה מאוחדת
- הספר Private Heavy Hitters מראה כיצד להשתמש
tff.analytics.heavy_hittersכדי לבנות חישוב אנליטי מאוחד לגילוי חברות כבדות פרטיות.
כתיבת חישובים מאוחדים מותאמים אישית
- הספר "בניית אלגוריתם למידה מאוחד משלך" מראה כיצד להשתמש בממשקי ה-API של TFF Core כדי ליישם אלגוריתמי למידה מאוחדים, תוך שימוש ב-Federated Averaging כדוגמה.
- הספר "הרכבת אלגוריתמי למידה" מראה כיצד להשתמש בממשק ה-API של למידה TFF כדי ליישם בקלות אלגוריתמי למידה מאוחדים חדשים, במיוחד גרסאות של ממוצע מאוחד.
- אלגוריתמים מאוחדים מותאמים אישית, חלק 1: מבוא לליבה המאוחדת וחלק 2: יישום ממוצע מאוחד מציגים את המושגים והממשקים המרכזיים המוצעים על ידי ה-API של הליבה המאוחדת (FC API).
- יישום אגרגציות מותאמות אישית מסביר את עקרונות העיצוב העומדים מאחורי מודול
tff.aggregatorsואת שיטות העבודה המומלצות ליישום אגרגציה מותאמת אישית של ערכים מלקוחות לשרת.
שיטות עבודה מומלצות לסימולציה
סימולציית TFF עם מאיצים (GPU) מראה כיצד ניתן להשתמש בזמן ריצה בעל ביצועים גבוהים של TFF עם GPUs.
עבודה עם ClientData מספקת שיטות עבודה מומלצות לשילוב מערכי נתוני סימולציה מבוססי ClientData של TFF בחישובי TFF.
הדרכות בינוניות ומתקדמות
יצירת רעש אקראי מצביעה על כמה דקויות בשימוש באקראיות בחישובים מבוזרים, ומציעה שיטות עבודה מומלצות וממליצה על דפוסים.
שליחת נתונים שונים ללקוחות מסוימים בעזרת federated_language.federated_select מציגה את האופרטור
federated_language.federated_selectונותנת דוגמה פשוטה לאלגוריתם מאוחד מותאם אישית ששולח נתונים שונים ללקוחות שונים.למידה מאוחדת יעילה ללקוח במודל גדול באמצעות federated_select ו-sparse aggregation מראה כיצד ניתן להשתמש ב-TFF לאימון מודל גדול מאוד שבו כל מכשיר לקוח מוריד ומעדכן רק חלק קטן מהמודל, באמצעות
federated_language.federated_selectו-sparse aggregation.למידה מאוחדת עם פרטיות דיפרנציאלית ב-TFF מדגימה כיצד להשתמש ב-TFF כדי לאמן מודלים עם פרטיות דיפרנציאלית ברמת המשתמש.