บทช่วยสอน ตาม colab เหล่านี้จะอธิบายแนวคิด TFF หลักและ API โดยใช้ตัวอย่างที่ใช้ได้จริง สามารถดูเอกสารอ้างอิงได้ใน คู่มือ TFF
เริ่มต้นกับการเรียนรู้แบบสมาพันธ์
- Federated Learning สำหรับการจัดประเภทรูปภาพ แนะนำส่วนสำคัญของ Federated Learning (FL) API และสาธิตวิธีการใช้ TFF เพื่อจำลองการเรียนรู้แบบสมาพันธ์บนข้อมูลที่คล้ายกับ MNIST แบบรวมศูนย์
- Federated Learning สำหรับการสร้างข้อความ จะสาธิตวิธีการใช้ FL API ของ TFF เพื่อปรับแต่งโมเดลที่ได้รับการฝึกฝนล่วงหน้าให้เป็นอนุกรมสำหรับงานสร้างโมเดลภาษา
- การปรับการรวมที่แนะนำสำหรับการเรียนรู้ แสดงให้เห็นว่าการคำนวณ FL พื้นฐานใน
tff.learning
สามารถรวมเข้ากับรูทีนการรวมแบบพิเศษที่ให้ความทนทาน ความเป็นส่วนตัวที่แตกต่างกัน การบีบอัด และอื่นๆ ได้อย่างไร - การสร้างใหม่แบบรวมศูนย์สำหรับการแยกตัวประกอบเมทริกซ์ แนะนำการเรียนรู้แบบรวมศูนย์ในท้องถิ่นบางส่วน โดยที่พารามิเตอร์ไคลเอนต์บางตัวจะไม่ถูกรวมบนเซิร์ฟเวอร์ บทช่วยสอนสาธิตวิธีใช้ Federated Learning API เพื่อฝึกโมเดลการแยกตัวประกอบเมทริกซ์เฉพาะที่บางส่วน
เริ่มต้นใช้งานการวิเคราะห์แบบรวมศูนย์
- Private Heavy Hitters แสดงวิธีใช้
tff.analytics.heavy_hitters
เพื่อสร้างการคำนวณเชิงวิเคราะห์แบบรวมศูนย์เพื่อค้นหา Hitters ส่วนตัว
การเขียนการคำนวณแบบรวมศูนย์แบบกำหนดเอง
- การสร้างอัลกอริทึมการเรียนรู้แบบรวมศูนย์ของคุณเอง แสดงวิธีใช้ TFF Core API เพื่อนำอัลกอริทึมการเรียนรู้แบบรวมศูนย์ไปใช้ โดยใช้ตัวอย่างการหาค่าเฉลี่ยแบบรวมศูนย์
- การเขียนอัลกอริทึมการเรียนรู้แบบรวม แสดงวิธีการใช้ TFF Learning API เพื่อใช้อัลกอริทึมการเรียนรู้แบบรวมศูนย์ใหม่ได้อย่างง่ายดาย โดยเฉพาะอย่างยิ่งตัวแปรของการหาค่าเฉลี่ยแบบรวมศูนย์
- อัลกอริทึมแบบรวมศูนย์แบบกำหนดเองพร้อมเครื่องมือเพิ่มประสิทธิภาพ TFF แสดงวิธีใช้
tff.learning.optimizers
เพื่อสร้างกระบวนการวนซ้ำแบบกำหนดเองสำหรับการหาค่าเฉลี่ยแบบรวมศูนย์ - อัลกอริทึม Federated แบบกำหนดเอง ตอนที่ 1: บทนำของ Federated Core และ ตอนที่ 2: การนำ Federated Averaging ไปใช้ แนะนำแนวคิดหลักและอินเทอร์เฟซที่นำเสนอโดย Federated Core API (FC API)
- การใช้ Custom Aggregations จะอธิบายหลักการออกแบบเบื้องหลังโมดูล
tff.aggregators
และแนวทางปฏิบัติที่ดีที่สุดสำหรับการนำการรวมค่าแบบกำหนดเองจากไคลเอนต์ไปยังเซิร์ฟเวอร์ไปใช้
แนวทางปฏิบัติที่ดีที่สุดในการจำลองสถานการณ์
การจำลอง TFF ด้วยตัวเร่งความเร็ว (GPU) แสดงให้เห็นว่ารันไทม์ประสิทธิภาพสูงของ TFF ใช้กับ GPU ได้อย่างไร
การทำงานกับ ClientData ให้แนวทางปฏิบัติที่ดีที่สุดสำหรับการรวมชุดข้อมูลจำลองตาม ClientData ของ TFF เข้ากับการคำนวณ TFF
แบบฝึกหัดระดับกลางและระดับสูง
การสร้างสัญญาณรบกวนแบบสุ่ม ชี้ให้เห็นรายละเอียดปลีกย่อยบางอย่างโดยใช้การสุ่มในการคำนวณแบบกระจายอำนาจ และเสนอแนวทางปฏิบัติที่ดีที่สุดและรูปแบบที่แนะนำ
การส่งข้อมูลที่แตกต่างกันไปยังไคลเอ็นต์เฉพาะด้วย tff.federated_select จะแนะนำโอเปอเรเตอร์
tff.federated_select
และให้ตัวอย่างง่ายๆ ของอัลกอริทึมแบบรวมศูนย์แบบกำหนดเองที่ส่งข้อมูลที่แตกต่างกันไปยังไคลเอนต์ต่างๆการเรียนรู้แบบรวมศูนย์แบบจำลองขนาดใหญ่ที่มีประสิทธิภาพไคลเอนต์ผ่าน federated_select และการรวมแบบกระจาย แสดงให้เห็นว่าสามารถใช้ TFF เพื่อฝึกแบบจำลองขนาดใหญ่มากได้อย่างไร โดยอุปกรณ์ไคลเอนต์แต่ละเครื่องจะดาวน์โหลดและอัปเดตเพียงส่วนเล็กๆ ของแบบจำลอง โดยใช้
tff.federated_select
และการรวมแบบกระจัดกระจายTFF สำหรับการวิจัยการเรียนรู้แบบรวมศูนย์: การบีบอัดแบบจำลองและการอัปเดต แสดงให้เห็นว่าการรวมแบบกำหนดเองที่สร้างขึ้นบน tensor_encoding API สามารถนำมาใช้ใน TFF ได้อย่างไร
การเรียนรู้แบบรวมศูนย์ที่มีความเป็นส่วนตัวที่แตกต่างกันใน TFF สาธิตวิธีการใช้ TFF เพื่อฝึกโมเดลด้วยความเป็นส่วนตัวที่แตกต่างกันในระดับผู้ใช้
การรองรับ JAX ใน TFF แสดงให้เห็นว่าการคำนวณ JAX สามารถนำมาใช้ใน TFF ได้อย่างไร แสดงให้เห็นว่า TFF ได้รับการออกแบบมาให้สามารถทำงานร่วมกับเฟรมเวิร์ก ML ส่วนหน้าและแบ็กเอนด์อื่นๆ ได้อย่างไร