Tutorial federati di TensorFlow

Questi tutorial basati su colab illustrano i principali concetti e API di TFF con esempi pratici. La documentazione di riferimento è disponibile nelle guide TFF .

Nota: TFF attualmente richiede Python 3.9 o versione successiva, ma i runtime ospitati di Google Colaboratory utilizzano attualmente Python 3.7, quindi per eseguire questi notebook sarà necessario utilizzare un runtime locale personalizzato .

Introduzione all'apprendimento federato

• Federated Learning per la classificazione delle immagini presenta le parti principali dell'API Federated Learning (FL) e dimostra come utilizzare TFF per simulare l'apprendimento federato su dati federati di tipo MNIST.
• L'apprendimento federato per la generazione di testo dimostra ulteriormente come utilizzare l'API FL di TFF per perfezionare un modello pre-addestrato serializzato per un'attività di modellazione del linguaggio.
• L'ottimizzazione delle aggregazioni consigliate per l'apprendimento mostra come i calcoli FL di base in tff.learning possono essere combinati con routine di aggregazione specializzate che offrono robustezza, privacy differenziale, compressione e altro ancora.

Introduzione all'analisi federata

• Private Heavy Hitters mostra come utilizzare tff.analytics.heavy_hitters per creare un calcolo di analisi federata per scoprire i grandi nomi privati.

Scrittura di calcoli federati personalizzati

• In Building Your Own Federated Learning Algorithm viene illustrato come utilizzare le API TFF Core per implementare algoritmi di apprendimento federato, utilizzando Federated Averaging come esempio.
• In Composizione di algoritmi di apprendimento viene illustrato come utilizzare l'API di apprendimento TFF per implementare facilmente nuovi algoritmi di apprendimento federato, in particolare varianti di Federated Averaging.
• Algoritmi federati personalizzati, Parte 1: Introduzione al Federated Core e Parte 2: Implementazione della media federata introducono i concetti chiave e le interfacce offerte dall'API Federated Core (FC API).
• In Implementazione di aggregazioni personalizzate vengono spiegati i principi di progettazione alla base del modulo tff.aggregators e le best practice per implementare l'aggregazione personalizzata dei valori dai client al server.

Le migliori pratiche di simulazione

• La simulazione TFF con acceleratori (GPU) mostra come il runtime ad alte prestazioni di TFF può essere utilizzato con le GPU.

• Lavorare con ClientData fornisce le migliori pratiche per integrare i set di dati di simulazione basati su ClientData di TFF nei calcoli TFF.

Tutorial intermedi e avanzati

• La generazione di rumore casuale evidenzia alcune sottigliezze nell'uso della casualità nei calcoli decentralizzati e propone le migliori pratiche e consiglia modelli.

• L'invio di dati diversi a client specifici con federated_language.federated_select introduce l'operatore federated_language.federated_select e fornisce un semplice esempio di un algoritmo federato personalizzato che invia dati diversi a client diversi.

• L'apprendimento federato di modelli di grandi dimensioni efficiente per il client tramite federated_select e aggregazione sparsa mostra come TFF può essere utilizzato per addestrare un modello molto grande in cui ogni dispositivo client scarica e aggiorna solo una piccola parte del modello, utilizzando federated_language.federated_select e aggregazione sparsa.

• Federated Learning con privacy differenziale in TFF dimostra come utilizzare TFF per addestrare modelli con privacy differenziale a livello utente.