এই কোল্যাব-ভিত্তিক টিউটোরিয়ালগুলি আপনাকে ব্যবহারিক উদাহরণ ব্যবহার করে প্রধান TFF ধারণা এবং API-এর মাধ্যমে নিয়ে যায়। রেফারেন্স ডকুমেন্টেশন টিএফএফ গাইডে পাওয়া যাবে।
ফেডারেটেড লার্নিং দিয়ে শুরু করা
- চিত্র শ্রেণীবিভাগের জন্য ফেডারেটেড লার্নিং ফেডারেটেড লার্নিং (FL) API-এর মূল অংশগুলির সাথে পরিচয় করিয়ে দেয় এবং ফেডারেটেড MNIST-এর মতো ডেটাতে ফেডারেটেড লার্নিংকে অনুকরণ করতে TFF ব্যবহার করতে দেখায়।
- টেক্সট জেনারেশনের জন্য ফেডারেটেড লার্নিং আরও দেখায় যে কীভাবে ভাষা মডেলিং টাস্কের জন্য একটি সিরিয়ালাইজড প্রাক-প্রশিক্ষিত মডেলকে পরিমার্জন করতে TFF-এর FL API ব্যবহার করতে হয়।
- শেখার জন্য প্রস্তাবিত একত্রীকরণের টিউনিং দেখায় কিভাবে
tff.learning
এ মৌলিক FL গণনাগুলিকে দৃঢ়তা, ডিফারেনশিয়াল গোপনীয়তা, সংকোচন এবং আরও অনেক কিছু প্রদানকারী বিশেষ একত্রীকরণ রুটিনের সাথে একত্রিত করা যেতে পারে। - ম্যাট্রিক্স ফ্যাক্টরাইজেশনের জন্য ফেডারেটেড রিকনস্ট্রাকশন আংশিকভাবে স্থানীয় ফেডারেটেড লার্নিং প্রবর্তন করে, যেখানে কিছু ক্লায়েন্ট প্যারামিটার কখনোই সার্ভারে একত্রিত হয় না। আংশিকভাবে স্থানীয় ম্যাট্রিক্স ফ্যাক্টরাইজেশন মডেলকে প্রশিক্ষণ দিতে ফেডারেটেড লার্নিং এপিআই কীভাবে ব্যবহার করতে হয় তা টিউটোরিয়ালটি দেখায়।
ফেডারেটেড বিশ্লেষণ দিয়ে শুরু করা
- প্রাইভেট হেভি হিটার দেখায় কিভাবে
tff.analytics.heavy_hitters
ব্যবহার করতে হয় একটি ফেডারেটেড অ্যানালিটিক্স কম্পিউটেশন তৈরি করতে যাতে প্রাইভেট হেভি হিটার আবিষ্কার করা যায়।
কাস্টম ফেডারেটেড গণনা লেখা
- আপনার নিজস্ব ফেডারেটেড লার্নিং অ্যালগরিদম তৈরি করা ফেডারেটেড অ্যাভারেজিংকে উদাহরণ হিসাবে ব্যবহার করে ফেডারেটেড লার্নিং অ্যালগরিদমগুলি বাস্তবায়নের জন্য TFF কোর APIগুলি কীভাবে ব্যবহার করতে হয় তা দেখায়।
- লার্নিং অ্যালগরিদম কম্পোজ করা দেখায় কিভাবে সহজে নতুন ফেডারেটেড লার্নিং অ্যালগরিদম, বিশেষ করে ফেডারেটেড অ্যাভারেজিংয়ের রূপগুলি বাস্তবায়ন করতে TFF লার্নিং API ব্যবহার করতে হয়।
- TFF অপ্টিমাইজার সহ কাস্টম ফেডারেটেড অ্যালগরিদম দেখায় যে ফেডারেটেড এভারেজিংয়ের জন্য একটি কাস্টম পুনরাবৃত্তি প্রক্রিয়া তৈরি করতে
tff.learning.optimizers
কীভাবে ব্যবহার করতে হয়। - কাস্টম ফেডারেটেড অ্যালগরিদম, পার্ট 1: ফেডারেটেড কোরের পরিচিতি এবং পার্ট 2: ফেডারেটেড এভারেজিং বাস্তবায়ন ফেডারেটেড কোর API (FC API) দ্বারা অফার করা মূল ধারণা এবং ইন্টারফেসগুলির সাথে পরিচয় করিয়ে দেয়।
- কাস্টম অ্যাগ্রিগেশন বাস্তবায়ন করা
tff.aggregators
মডিউলের পিছনে নকশা নীতিগুলি এবং ক্লায়েন্ট থেকে সার্ভারে মানগুলির কাস্টম একত্রীকরণ বাস্তবায়নের জন্য সর্বোত্তম অনুশীলনগুলি ব্যাখ্যা করে।
সিমুলেশন সেরা অনুশীলন
এক্সিলারেটর (GPU) সহ TFF সিমুলেশন দেখায় কিভাবে TFF-এর উচ্চ-পারফরম্যান্স রানটাইম GPU-এর সাথে ব্যবহার করা যেতে পারে।
ক্লায়েন্টডেটার সাথে কাজ করা TFF এর ক্লায়েন্টডেটা -ভিত্তিক সিমুলেশন ডেটাসেটগুলিকে TFF কম্পিউটেশনে একীভূত করার জন্য সর্বোত্তম অনুশীলন দেয়।
মধ্যবর্তী এবং উন্নত টিউটোরিয়াল
র্যান্ডম নয়েজ জেনারেশন বিকেন্দ্রীকৃত গণনায় এলোমেলোতা ব্যবহার করে কিছু সূক্ষ্মতা নির্দেশ করে এবং সর্বোত্তম অনুশীলনের প্রস্তাব করে এবং প্যাটার্নের সুপারিশ করে।
tff.federated_select এর মাধ্যমে বিশেষ ক্লায়েন্টদের কাছে বিভিন্ন ডেটা পাঠানো হচ্ছে tff.federated_select
tff.federated_select
সাথে পরিচয় করিয়ে দেয় এবং একটি কাস্টম ফেডারেটেড অ্যালগরিদমের একটি সাধারণ উদাহরণ দেয় যা বিভিন্ন ক্লায়েন্টকে বিভিন্ন ডেটা পাঠায়।ফেডারেটেড_সিলেক্ট এবং স্পারস অ্যাগ্রিগেশনের মাধ্যমে ক্লায়েন্ট-দক্ষ বড়-মডেল ফেডারেটেড লার্নিং দেখায় যে কিভাবে TFF একটি খুব বড় মডেলকে প্রশিক্ষণ দিতে ব্যবহার করা যেতে পারে যেখানে প্রতিটি ক্লায়েন্ট ডিভাইস শুধুমাত্র
tff.federated_select
এবং sparse এগ্রিগেশন ব্যবহার করে মডেলের একটি ছোট অংশ ডাউনলোড এবং আপডেট করে।ফেডারেটেড লার্নিং রিসার্চের জন্য TFF: মডেল এবং আপডেট কম্প্রেশন দেখায় কিভাবে TFF-এ tensor_encoding API- তে কাস্টম একত্রীকরণ বিল্ডিং ব্যবহার করা যেতে পারে।
TFF-এ ডিফারেনশিয়াল প্রাইভেসি সহ ফেডারেটেড লার্নিং প্রদর্শন করে যে কীভাবে ব্যবহারকারী-স্তরের ডিফারেনশিয়াল গোপনীয়তার সাথে মডেলগুলিকে প্রশিক্ষণ দিতে TFF ব্যবহার করতে হয়।
TFF-এ JAX-এর জন্য সমর্থন দেখায় যে কীভাবে JAX কম্পিউটেশনগুলি TFF-এ ব্যবহার করা যেতে পারে, তা প্রদর্শন করে যে কীভাবে TFF অন্যান্য ফ্রন্টএন্ড এবং ব্যাকএন্ড এমএল ফ্রেমওয়ার্কগুলির সাথে ইন্টারঅপারেট করতে সক্ষম হওয়ার জন্য ডিজাইন করা হয়েছে।