Bu Colab tabanlı eğitimler, pratik örnekler kullanarak TFF'nin temel kavramlarını ve API'lerini adım adım açıklamaktadır. Referans dokümanlarına TFF kılavuzlarından ulaşabilirsiniz.
Federasyonlu öğrenmeye başlamak
- Görüntü sınıflandırması için Federasyonlu Öğrenme, Federasyonlu Öğrenme (FL) API'sinin temel bileşenlerini tanıtır ve TFF'nin, birleştirilmiş MNIST benzeri veriler üzerinde federasyonlu öğrenmeyi simüle etmek için nasıl kullanılacağını gösterir.
- Metin üretimi için Federasyonlu Öğrenme, TFF'nin FL API'sini kullanarak serileştirilmiş önceden eğitilmiş bir modeli dil modelleme görevi için nasıl iyileştirebileceğinizi daha ayrıntılı olarak göstermektedir.
- Öğrenme için önerilen toplama işlemlerinin ayarlanması,
tff.learningtemel FL hesaplamalarının, sağlamlık, diferansiyel gizlilik, sıkıştırma ve daha fazlasını sunan özel toplama rutinleriyle nasıl birleştirilebileceğini göstermektedir.
Federasyon analitiğine başlama
- Private Heavy Hitters,
tff.analytics.heavy_hitterskullanarak özel ağır oyuncuları keşfetmek için birleşik analitik hesaplama oluşturmayı nasıl yapacağınızı gösterir.
Özel birleşik hesaplamalar yazma
- Kendi Federasyonlu Öğrenme Algoritmanızı Oluşturma, Federasyonlu Ortalama alma örneğini kullanarak, TFF Core API'lerini kullanarak federasyonlu öğrenme algoritmalarının nasıl uygulanacağını gösterir.
- Öğrenme Algoritmaları Oluşturma, TFF Öğrenme API'sini kullanarak yeni birleşik öğrenme algoritmalarını, özellikle de Birleşik Ortalama almanın varyantlarını kolayca nasıl uygulayabileceğinizi gösterir.
- "Özel Federasyon Algoritmaları, Bölüm 1: Federasyon Çekirdeğine Giriş" ve "Bölüm 2: Federasyon Ortalamasının Uygulanması", Federasyon Çekirdeği API'si (FC API) tarafından sunulan temel kavramları ve arayüzleri tanıtmaktadır.
- "Özel Toplama İşlemlerinin Uygulanması" başlıklı belge,
tff.aggregatorsmodülünün tasarım prensiplerini ve istemcilerden sunucuya değerlerin özel olarak toplanması için en iyi uygulamaları açıklamaktadır.
Simülasyon en iyi uygulamaları
Hızlandırıcılarla (GPU) yapılan TFF simülasyonu, TFF'nin yüksek performanslı çalışma ortamının GPU'larla nasıl kullanılabileceğini göstermektedir.
ClientData ile çalışmak, TFF'nin ClientData tabanlı simülasyon veri kümelerini TFF hesaplamalarına entegre etmek için en iyi uygulamaları sunar.
Orta ve ileri seviye eğitimler
Rastgele gürültü üretimi, merkezi olmayan hesaplamalarda rastgeleliğin kullanımındaki bazı inceliklere dikkat çekmekte ve en iyi uygulamaları ve önerilen kalıpları ortaya koymaktadır.
"federated_language.federated_select ile Belirli İstemcilere Farklı Veriler Gönderme" başlıklı makale,
federated_language.federated_selectoperatörünü tanıtır ve farklı istemcilere farklı veriler gönderen özel bir federasyon algoritmasının basit bir örneğini sunar.federated_language.federated_selectve seyrek toplama yöntemlerini kullanan, istemci açısından verimli büyük model birleşik öğrenme, TFF'nin, her istemci cihazının modelin yalnızca küçük bir bölümünü indirip güncellediği çok büyük bir modeli eğitmek için nasıl kullanılabileceğini göstermektedir.TFF'de Diferansiyel Gizlilik ile Federasyonlu Öğrenme, kullanıcı düzeyinde diferansiyel gizlilik ile modelleri eğitmek için TFF'nin nasıl kullanılacağını göstermektedir.