Tutorial Federasi TensorFlow

Tutorial berbasis Colab ini akan memandu Anda melalui konsep dan API utama TFF menggunakan contoh praktis. Dokumentasi referensi dapat ditemukan di panduan TFF .

Catatan: TFF saat ini membutuhkan Python 3.9 atau yang lebih baru, tetapi runtime yang dihosting oleh Google Colaboratory saat ini menggunakan Python 3.7, sehingga untuk menjalankan notebook ini Anda perlu menggunakan runtime lokal khusus .

Memulai pembelajaran terfederasi

• Federated Learning for image classification memperkenalkan bagian-bagian penting dari API Federated Learning (FL), dan mendemonstrasikan cara menggunakan TFF untuk mensimulasikan pembelajaran federasi pada data federasi mirip MNIST.
• Federated Learning untuk generasi teks lebih lanjut menunjukkan cara menggunakan API FL TFF untuk menyempurnakan model pra-terlatih yang diserialisasi untuk tugas pemodelan bahasa.
• Penyetelan agregasi yang direkomendasikan untuk pembelajaran menunjukkan bagaimana komputasi FL dasar di tff.learning dapat dikombinasikan dengan rutinitas agregasi khusus yang menawarkan ketahanan, privasi diferensial, kompresi, dan banyak lagi.

Memulai analitik terfederasi

• Private Heavy Hitters menunjukkan cara menggunakan tff.analytics.heavy_hitters untuk membangun komputasi analitik terfederasi guna menemukan private heavy hitters.

Menulis komputasi terfederasi khusus

• Membangun Algoritma Pembelajaran Federasi Anda Sendiri menunjukkan cara menggunakan API Inti TFF untuk mengimplementasikan algoritma pembelajaran federasi, menggunakan Federated Averaging sebagai contoh.
• Buku Composing Learning Algorithms menunjukkan cara menggunakan TFF Learning API untuk dengan mudah mengimplementasikan algoritma pembelajaran federasi baru, terutama varian dari Federated Averaging.
• Algoritma Federasi Kustom, Bagian 1: Pengantar Inti Federasi dan Bagian 2: Mengimplementasikan Perataan Federasi memperkenalkan konsep dan antarmuka utama yang ditawarkan oleh API Inti Federasi (FC API).
• Mengimplementasikan Agregasi Kustom menjelaskan prinsip-prinsip desain di balik modul tff.aggregators dan praktik terbaik untuk mengimplementasikan agregasi nilai kustom dari klien ke server.

Praktik terbaik simulasi

• Simulasi TFF dengan akselerator (GPU) menunjukkan bagaimana runtime berkinerja tinggi TFF dapat digunakan dengan GPU.

• Panduan Penggunaan ClientData memberikan praktik terbaik untuk mengintegrasikan dataset simulasi berbasis ClientData dari TFF ke dalam komputasi TFF.

Tutorial tingkat menengah dan lanjutan

• Pembangkitan derau acak menunjukkan beberapa hal penting terkait penggunaan keacakan dalam komputasi terdesentralisasi, dan mengusulkan praktik terbaik serta pola yang direkomendasikan.

• Mengirim Data Berbeda ke Klien Tertentu dengan federated_language.federated_select memperkenalkan operator federated_language.federated_select dan memberikan contoh sederhana dari algoritma federasi khusus yang mengirimkan data berbeda ke klien yang berbeda.

• Pembelajaran federasi model besar yang efisien bagi klien melalui federated_select dan sparse aggregation menunjukkan bagaimana TFF dapat digunakan untuk melatih model yang sangat besar di mana setiap perangkat klien hanya mengunduh dan memperbarui sebagian kecil dari model, menggunakan federated_language.federated_select dan sparse aggregation.

• Federated Learning with Differential Privacy in TFF mendemonstrasikan cara menggunakan TFF untuk melatih model dengan privasi diferensial tingkat pengguna.