Te oparte na colab samouczki przeprowadzą Cię przez główne koncepcje TFF i interfejsy API, używając praktycznych przykładów. Dokumentację referencyjną można znaleźć w przewodnikach TFF .
Rozpoczęcie nauki federacyjnej
- Federated Learning dla klasyfikacji obrazów przedstawia kluczowe części interfejsu API Federated Learning (FL) i pokazuje, jak używać TFF do symulowania uczenia federacyjnego na danych podobnych do federacyjnych MNIST.
- Federated Learning do generowania tekstu dodatkowo demonstruje, jak używać interfejsu API FL TFF do udoskonalania serializowanego, wstępnie wytrenowanego modelu dla zadania modelowania języka.
- Dostrajanie zalecanych agregacji do nauki pokazuje, w jaki sposób podstawowe obliczenia FL w
tff.learning
można połączyć z wyspecjalizowanymi procedurami agregacji oferującymi niezawodność, różnicową prywatność, kompresję i nie tylko. - Federated Reconstruction for Matrix Factorization wprowadza częściowo lokalne uczenie federacyjne, w którym niektóre parametry klienta nigdy nie są agregowane na serwerze. W samouczku pokazano, jak używać interfejsu API usługi Federated Learning do uczenia częściowo lokalnego modelu faktoryzacji macierzy.
Rozpoczęcie pracy z analizą federacyjną
- Private Heavy Hitters pokazuje, jak używać
tff.analytics.heavy_hitters
do tworzenia federacyjnych obliczeń analitycznych w celu wykrywania prywatnych heavy hitters.
Pisanie niestandardowych obliczeń federacyjnych
- Tworzenie własnego algorytmu federacyjnego uczenia się pokazuje, jak używać podstawowych interfejsów API programu TFF do implementowania algorytmów federacyjnego uczenia się na przykładzie uśredniania federacyjnego.
- Komponowanie algorytmów uczenia się pokazuje, jak używać interfejsu API uczenia TFF do łatwego wdrażania nowych algorytmów uczenia federacyjnego, w szczególności wariantów uśredniania federacyjnego.
- Niestandardowy algorytm federacyjny z optymalizatorami TFF pokazuje, jak używać
tff.learning.optimizers
do tworzenia niestandardowego procesu iteracyjnego dla uśredniania federacyjnego. - Niestandardowe algorytmy federacyjne, część 1: Wprowadzenie do federacyjnego rdzenia i część 2: Implementacja federacyjnego uśredniania przedstawiają kluczowe koncepcje i interfejsy oferowane przez interfejs API federacyjnego rdzenia (FC API).
- W artykule Implementing Custom Aggregations wyjaśniono zasady projektowania modułu
tff.aggregators
oraz najlepsze praktyki wdrażania niestandardowej agregacji wartości od klientów do serwera.
Najlepsze praktyki symulacji
Symulacja TFF z akceleratorami (GPU) pokazuje, jak wysokowydajne środowisko uruchomieniowe TFF może być używane z GPU.
Praca z ClientData zapewnia najlepsze praktyki w zakresie integracji zestawów danych symulacji opartych na ClientData TFF w obliczeniach TFF.
Samouczki średniozaawansowane i zaawansowane
Losowe generowanie szumu zwraca uwagę na pewne subtelności związane z wykorzystaniem losowości w zdecentralizowanych obliczeniach oraz proponuje najlepsze praktyki i zalecane wzorce.
Wysyłanie różnych danych do określonych klientów za pomocą tff.federated_select wprowadza operatora
tff.federated_select
i podaje prosty przykład niestandardowego algorytmu stowarzyszonego, który wysyła różne dane do różnych klientów.Wydajne dla klienta federacyjne uczenie się na dużym modelu za pośrednictwem agregacji federated_select i sparse pokazuje, w jaki sposób TFF można wykorzystać do uczenia bardzo dużego modelu, w którym każde urządzenie klienckie pobiera i aktualizuje tylko niewielką część modelu, używając
tff.federated_select
i agregacji rozrzedzonej.TFF for Federated Learning Research: Model and Update Compression pokazuje, jak niestandardowe agregacje oparte na interfejsie API tensor_encoding mogą być używane w TFF.
Federated Learning with Differential Privacy in TFF pokazuje, jak używać TFF do trenowania modeli z różnicową prywatnością na poziomie użytkownika.
Wsparcie dla JAX w TFF pokazuje, jak obliczenia JAX mogą być używane w TFF, demonstrując, w jaki sposób TFF został zaprojektowany, aby mógł współpracować z innymi platformami ML frontendu i backendu.