ये कोलाब-आधारित ट्यूटोरियल व्यावहारिक उदाहरणों के साथ TFF की मुख्य अवधारणाओं और API को समझने में आपकी मदद करेंगे। संदर्भ दस्तावेज़ TFF गाइड में उपलब्ध हैं।
फेडरेटेड लर्निंग के साथ शुरुआत करना
- इमेज क्लासिफिकेशन के लिए फेडरेटेड लर्निंग, फेडरेटेड लर्निंग (FL) API के प्रमुख भागों का परिचय देती है, और यह दर्शाती है कि फेडरेटेड MNIST जैसे डेटा पर फेडरेटेड लर्निंग का अनुकरण करने के लिए TFF का उपयोग कैसे किया जाए।
- टेक्स्ट जनरेशन के लिए फेडरेटेड लर्निंग यह भी प्रदर्शित करता है कि भाषा मॉडलिंग कार्य के लिए एक क्रमबद्ध पूर्व-प्रशिक्षित मॉडल को परिष्कृत करने के लिए TFF के FL API का उपयोग कैसे किया जाए।
- लर्निंग के लिए अनुशंसित एग्रीगेशन को ट्यून करने से पता चलता है कि
tff.learningमें बुनियादी FL गणनाओं को विशेष एग्रीगेशन रूटीन के साथ कैसे जोड़ा जा सकता है जो मजबूती, डिफरेंशियल प्राइवेसी, कम्प्रेशन और बहुत कुछ प्रदान करते हैं।
फेडरेटेड एनालिटिक्स के साथ शुरुआत करना
- प्राइवेट हेवी हिटर्स यह दर्शाता है कि निजी हेवी हिटर्स की खोज के लिए एक फेडरेटेड एनालिटिक्स कंप्यूटेशन बनाने के लिए
tff.analytics.heavy_hittersका उपयोग कैसे करें।
कस्टम फेडरेटेड कंप्यूटेशन लिखना
- बिल्डिंग योर ओन फेडरेटेड लर्निंग एल्गोरिदम यह दर्शाता है कि फेडरेटेड लर्निंग एल्गोरिदम को लागू करने के लिए TFF कोर API का उपयोग कैसे करें, जिसमें फेडरेटेड एवरेजिंग को एक उदाहरण के रूप में लिया गया है।
- कंपोजिंग लर्निंग एल्गोरिदम्स यह दर्शाता है कि नए फेडरेटेड लर्निंग एल्गोरिदम, विशेष रूप से फेडरेटेड एवरेजिंग के वेरिएंट को आसानी से लागू करने के लिए TFF लर्निंग API का उपयोग कैसे किया जाए।
- कस्टम फेडरेटेड एल्गोरिदम, भाग 1: फेडरेटेड कोर का परिचय और भाग 2: फेडरेटेड एवरेजिंग का कार्यान्वयन, फेडरेटेड कोर एपीआई (एफसी एपीआई) द्वारा प्रदान की जाने वाली प्रमुख अवधारणाओं और इंटरफेस का परिचय देते हैं।
- कस्टम एग्रीगेशन को लागू करना नामक यह लेख
tff.aggregatorsमॉड्यूल के पीछे के डिज़ाइन सिद्धांतों और क्लाइंट से सर्वर तक मूल्यों के कस्टम एग्रीगेशन को लागू करने के सर्वोत्तम तरीकों की व्याख्या करता है।
सिमुलेशन के सर्वोत्तम तरीके
एक्सेलरेटर (जीपीयू) के साथ टीएफएफ सिमुलेशन यह दर्शाता है कि टीएफएफ के उच्च-प्रदर्शन रनटाइम का उपयोग जीपीयू के साथ कैसे किया जा सकता है।
क्लाइंटडेटा के साथ काम करने से टीएफएफ के क्लाइंटडेटा -आधारित सिमुलेशन डेटासेट को टीएफएफ गणनाओं में एकीकृत करने के लिए सर्वोत्तम पद्धतियां मिलती हैं।
मध्यवर्ती और उन्नत ट्यूटोरियल
रैंडम नॉइज़ जनरेशन, विकेंद्रीकृत गणनाओं में यादृच्छिकता के उपयोग से जुड़ी कुछ बारीकियों को उजागर करता है, और सर्वोत्तम प्रथाओं का प्रस्ताव करता है तथा पैटर्न की अनुशंसा करता है।
federated_language.federated_select के साथ विशिष्ट क्लाइंट को अलग-अलग डेटा भेजना,
federated_language.federated_selectऑपरेटर का परिचय देता है और एक कस्टम फेडरेटेड एल्गोरिदम का एक सरल उदाहरण देता है जो अलग-अलग क्लाइंट को अलग-अलग डेटा भेजता है।federated_select और sparse aggregation के माध्यम से क्लाइंट-कुशल बड़े-मॉडल फेडरेटेड लर्निंग यह दर्शाता है कि TFF का उपयोग एक बहुत बड़े मॉडल को प्रशिक्षित करने के लिए कैसे किया जा सकता है, जहां प्रत्येक क्लाइंट डिवाइस
federated_language.federated_selectऔर sparse aggregation का उपयोग करके मॉडल के केवल एक छोटे से हिस्से को डाउनलोड और अपडेट करता है।TFF में डिफरेंशियल प्राइवेसी के साथ फेडरेटेड लर्निंग यह दर्शाता है कि उपयोगकर्ता-स्तर की डिफरेंशियल प्राइवेसी के साथ मॉडल को प्रशिक्षित करने के लिए TFF का उपयोग कैसे किया जाए।