Объединенные руководства по TensorFlow

Эти обучающие материалы, созданные в Colab, знакомят вас с основными концепциями и API TFF на практических примерах. Справочную документацию можно найти в руководствах по TFF .

Примечание: В настоящее время для работы TFF требуется Python 3.9 или более поздней версии, но среды выполнения Google Colaboratory в настоящее время используют Python 3.7, поэтому для запуска этих блокнотов вам потребуется использовать собственную локальную среду выполнения .

Начало работы с федеративным обучением

• В статье «Федеративное обучение для классификации изображений» представлены ключевые части API федеративного обучения (FL) и показано, как использовать TFF для моделирования федеративного обучения на данных, подобных MNIST, полученных с помощью федеративного обучения.
• В статье "Федеративное обучение для генерации текста" дополнительно демонстрируется, как использовать API федеративного обучения TFF для уточнения сериализованной предварительно обученной модели для задачи языкового моделирования.
• В разделе «Настройка рекомендуемых агрегаций для обучения» показано, как базовые вычисления FL в tff.learning можно комбинировать со специализированными процедурами агрегации, обеспечивающими устойчивость, дифференциальную конфиденциальность, сжатие и многое другое.

Начало работы с федеративной аналитикой

• В статье "Private Heavy Hitters" показано, как использовать tff.analytics.heavy_hitters для построения вычислительной схемы федеративного анализа с целью выявления частных пользователей, активно использующих уязвимости.

Разработка пользовательских федеративных вычислений

• В руководстве «Создание собственного алгоритма федеративного обучения» показано, как использовать основные API TFF для реализации алгоритмов федеративного обучения на примере федеративного усреднения.
• В книге «Составление алгоритмов обучения» показано, как использовать API обучения TFF для простой реализации новых алгоритмов федеративного обучения, особенно вариантов федеративного усреднения.
• В разделах «Пользовательские федеративные алгоритмы, часть 1: Введение в федеративное ядро» и «Реализация федеративного усреднения» представлены ключевые концепции и интерфейсы, предлагаемые API федеративного ядра (FC API).
• В разделе «Реализация пользовательских агрегаций» объясняются принципы проектирования модуля tff.aggregators и лучшие практики реализации пользовательской агрегации значений от клиентов к серверу.

Передовые методы моделирования

• Моделирование с использованием TFF ​​и графических ускорителей (GPU) демонстрирует, как высокопроизводительная среда выполнения TFF может использоваться с графическими процессорами.

• Работа с ClientData предоставляет рекомендации по интеграции наборов данных моделирования на основе ClientData от TFF в вычисления TFF.

Уроки для среднего и продвинутого уровня

• Генерация случайного шума указывает на некоторые тонкости использования случайности в децентрализованных вычислениях и предлагает лучшие практики и рекомендуемые шаблоны.

• В разделе "Отправка различных данных конкретным клиентам с помощью federated_language.federated_select" представлен оператор federated_language.federated_select и приведен простой пример пользовательского федеративного алгоритма, который отправляет различные данные разным клиентам.

• Эффективное для клиента обучение с использованием федеративных моделей большого размера с помощью federated_select и разреженной агрегации демонстрирует, как TFF можно использовать для обучения очень большой модели, где каждое клиентское устройство загружает и обновляет только небольшую часть модели, используя federated_language.federated_select и разреженную агрегацию.

• В статье "Федеративное обучение с дифференциальной конфиденциальностью в TFF" показано, как использовать TFF для обучения моделей с дифференциальной конфиденциальностью на уровне пользователя.