Tutoriales federados de TensorFlow

Estos tutoriales basados ​​en Colab te guían a través de los principales conceptos y API de TFF mediante ejemplos prácticos. Puedes encontrar documentación de referencia en las guías de TFF .

Nota: TFF actualmente requiere Python 3.9 o posterior, pero los entornos de ejecución alojados de Google Colaboratory actualmente usan Python 3.7 y, por lo tanto, para ejecutar estos cuadernos, deberá usar un entorno de ejecución local personalizado .

Introducción al aprendizaje federado

• El aprendizaje federado para la clasificación de imágenes presenta las partes clave de la API de aprendizaje federado (FL) y demuestra cómo usar TFF para simular el aprendizaje federado en datos federados similares a MNIST.
• El aprendizaje federado para la generación de texto demuestra además cómo utilizar la API FL de TFF para refinar un modelo preentrenado serializado para una tarea de modelado de lenguaje.
• El ajuste de las agregaciones recomendadas para el aprendizaje muestra cómo los cálculos FL básicos en tff.learning se pueden combinar con rutinas de agregación especializadas que ofrecen robustez, privacidad diferencial, compresión y más.

Introducción a la analítica federada

• Private Heavy Hitters muestra cómo usar tff.analytics.heavy_hitters para crear un cálculo analítico federado para descubrir pesos pesados ​​privados.

Escritura de cálculos federados personalizados

• Construir su propio algoritmo de aprendizaje federado muestra cómo utilizar las API principales de TFF para implementar algoritmos de aprendizaje federado, utilizando el promedio federado como ejemplo.
• Composición de algoritmos de aprendizaje muestra cómo utilizar la API de aprendizaje TFF para implementar fácilmente nuevos algoritmos de aprendizaje federado, especialmente variantes de promedio federado.
• Algoritmos federados personalizados, Parte 1: Introducción al núcleo federado y Parte 2: Implementación del promedio federado, presentan los conceptos e interfaces clave que ofrece la API del núcleo federado (API FC).
• Implementación de agregaciones personalizadas explica los principios de diseño detrás del módulo tff.aggregators y las mejores prácticas para implementar la agregación personalizada de valores de los clientes al servidor.

Mejores prácticas de simulación

• La simulación TFF con aceleradores (GPU) muestra cómo se puede utilizar el tiempo de ejecución de alto rendimiento de TFF con GPU.

• Trabajar con ClientData proporciona las mejores prácticas para integrar los conjuntos de datos de simulación basados ​​en ClientData de TFF en los cálculos de TFF.

Tutoriales intermedios y avanzados

• La generación de ruido aleatorio señala algunas sutilezas en el uso de la aleatoriedad en cálculos descentralizados, propone mejores prácticas y recomienda patrones.

• Envío de datos diferentes a clientes particulares con federated_language.federated_select presenta el operador federated_language.federated_select y brinda un ejemplo simple de un algoritmo federado personalizado que envía datos diferentes a diferentes clientes.

• El aprendizaje federado de modelos grandes eficiente para el cliente a través de federated_select y agregación dispersa muestra cómo se puede usar TFF para entrenar un modelo muy grande donde cada dispositivo cliente solo descarga y actualiza una pequeña parte del modelo, utilizando federated_language.federated_select y agregación dispersa.

• El aprendizaje federado con privacidad diferencial en TFF demuestra cómo utilizar TFF para entrenar modelos con privacidad diferencial a nivel de usuario.