این آموزش‌های مبتنی بر colab با استفاده از مثال‌های عملی، مفاهیم اصلی و APIهای TFF را راهنمایی می‌کنند. مستندات مرجع را می توان در راهنماهای TFF یافت.
شروع با یادگیری فدرال
- آموزش فدرال برای طبقه‌بندی تصویر بخش‌های کلیدی API یادگیری فدرال (FL) را معرفی می‌کند و نحوه استفاده از TFF را برای شبیه‌سازی یادگیری فدرال روی داده‌های مشابه MNIST فدرال نشان می‌دهد.
- آموزش فدرال برای تولید متن بیشتر نشان می دهد که چگونه از API FL TFF برای اصلاح یک مدل از پیش آموزش دیده سریالی برای یک کار مدل سازی زبان استفاده کنید.
- تنظیم مجموعه‌های توصیه‌شده برای یادگیری نشان می‌دهد که چگونه محاسبات پایه FL در
tff.learningرا می‌توان با روال‌های تجمع تخصصی که استحکام، حریم خصوصی دیفرانسیل، فشرده‌سازی و موارد دیگر را ارائه می‌دهند، ترکیب کرد. - بازسازی فدرال برای فاکتورسازی ماتریس، یادگیری فدرال تا حدی محلی را معرفی می‌کند، که در آن برخی از پارامترهای مشتری هرگز در سرور جمع نمی‌شوند. این آموزش نحوه استفاده از API یادگیری فدرال را برای آموزش یک مدل فاکتورسازی ماتریس جزئی محلی نشان می‌دهد.
شروع کار با تجزیه و تحلیل فدرال
- Private Heavy Hitters نشان می دهد که چگونه از
tff.analytics.heavy_hittersبرای ایجاد یک محاسبات تحلیلی فدرال برای کشف ضربه زن های سنگین خصوصی استفاده کنید.
نوشتن محاسبات فدرال سفارشی
- ساختن الگوریتم یادگیری فدرال خود را نشان می دهد که چگونه از API های هسته ای TFF برای پیاده سازی الگوریتم های یادگیری فدرال استفاده کنید، با استفاده از میانگین گیری فدرال به عنوان مثال.
- Composing Learning Algorithms نشان می‌دهد که چگونه از TFF Learning API برای پیاده‌سازی آسان الگوریتم‌های یادگیری فدرال جدید، به‌ویژه انواع میانگین‌گیری فدرال استفاده کنید.
- الگوریتم های فدرال سفارشی، قسمت 1: مقدمه ای بر هسته فدرال و قسمت 2: پیاده سازی میانگین گیری فدرال، مفاهیم کلیدی و رابط های ارائه شده توسط API هسته مرکزی (FC API) را معرفی می کند.
- پیاده‌سازی تجمیع‌های سفارشی، اصول طراحی پشت ماژول
tff.aggregatorsو بهترین روش‌ها برای پیاده‌سازی تجمیع سفارشی مقادیر از مشتری به سرور را توضیح می‌دهد.
بهترین شیوه های شبیه سازی
شبیه‌سازی TFF با شتاب‌دهنده‌ها (GPU) نشان می‌دهد که چگونه می‌توان از زمان اجرا با کارایی بالا TFF با پردازنده‌های گرافیکی استفاده کرد.
کار با ClientData بهترین شیوه ها را برای ادغام مجموعه داده های شبیه سازی مبتنی بر ClientData TFF در محاسبات TFF ارائه می دهد.
آموزش های متوسط و پیشرفته
تولید نویز تصادفی به برخی نکات ظریف در استفاده از تصادفی بودن در محاسبات غیرمتمرکز اشاره می کند و بهترین شیوه ها و الگوهای پیشنهادی را پیشنهاد می کند.
ارسال داده‌های مختلف به مشتریان خاص با tff.federated_select عملگر
tff.federated_selectرا معرفی می‌کند و یک مثال ساده از یک الگوریتم فدرال سفارشی ارائه می‌دهد که داده‌های مختلف را به مشتریان مختلف ارسال می‌کند.یادگیری فدرال مدل بزرگ کارآمد از طریق federated_select و تجمیع پراکنده نشان می‌دهد که چگونه می‌توان از TFF برای آموزش یک مدل بسیار بزرگ استفاده کرد که در آن هر دستگاه مشتری فقط بخش کوچکی از مدل را دانلود و به‌روزرسانی می‌کند، با استفاده از
tff.federated_selectو انجماد پراکنده.آموزش فدرال با حریم خصوصی دیفرانسیل در TFF نحوه استفاده از TFF برای آموزش مدل هایی با حریم خصوصی دیفرانسیل در سطح کاربر را نشان می دهد.