ये कोलाब-आधारित ट्यूटोरियल आपको व्यावहारिक उदाहरणों का उपयोग करते हुए मुख्य टीएफएफ अवधारणाओं और एपीआई के बारे में बताते हैं। संदर्भ दस्तावेज़ीकरण TFF मार्गदर्शिका में पाया जा सकता है।
फ़ेडरेटेड लर्निंग के साथ शुरुआत करना
- छवि वर्गीकरण के लिए फ़ेडरेटेड लर्निंग फ़ेडरेटेड लर्निंग (FL) API के प्रमुख हिस्सों का परिचय देता है, और यह दर्शाता है कि फ़ेडरेटेड MNIST- जैसे डेटा पर फ़ेडरेटेड लर्निंग का अनुकरण करने के लिए TFF का उपयोग कैसे करें।
- टेक्स्ट जनरेशन के लिए फ़ेडरेटेड लर्निंग आगे प्रदर्शित करता है कि भाषा मॉडलिंग कार्य के लिए क्रमबद्ध पूर्व-प्रशिक्षित मॉडल को परिष्कृत करने के लिए TFF के FL API का उपयोग कैसे करें।
- सीखने के लिए अनुशंसित एकत्रीकरण ट्यूनिंग से पता चलता है कि कैसे tff.learning में बुनियादी FL
tff.learning
को विशेष एकत्रीकरण दिनचर्या के साथ जोड़ा जा सकता है जो मजबूती, अंतर गोपनीयता, संपीड़न, और बहुत कुछ प्रदान करता है। - मैट्रिक्स फैक्टराइजेशन के लिए फ़ेडरेटेड रिकंस्ट्रक्शन आंशिक रूप से स्थानीय फ़ेडरेटेड लर्निंग का परिचय देता है, जहाँ कुछ क्लाइंट पैरामीटर सर्वर पर कभी भी एकत्रित नहीं होते हैं। ट्यूटोरियल दर्शाता है कि आंशिक रूप से स्थानीय मैट्रिक्स फ़ैक्टराइज़ेशन मॉडल को प्रशिक्षित करने के लिए फ़ेडरेटेड लर्निंग एपीआई का उपयोग कैसे करें।
फ़ेडरेटेड एनालिटिक्स के साथ शुरुआत करना
- निजी हेवी हिटर्स निजी हेवी हिटर्स को खोजने के लिए फ़ेडरेटेड एनालिटिक्स कंप्यूटेशन बनाने के लिए
tff.analytics.heavy_hitters
का उपयोग करने का तरीका दिखाता है।
कस्टम फ़ेडरेटेड कंप्यूटेशंस लिखना
- अपना खुद का फ़ेडरेटेड लर्निंग एल्गोरिथम बनाना एक उदाहरण के रूप में फ़ेडरेटेड एवरेजिंग का उपयोग करके फ़ेडरेटेड लर्निंग एल्गोरिदम को लागू करने के लिए TFF कोर एपीआई का उपयोग करने का तरीका दिखाता है।
- कंपोज़िंग लर्निंग एल्गोरिदम दिखाता है कि नए फ़ेडरेटेड लर्निंग एल्गोरिदम को आसानी से लागू करने के लिए टीएफएफ लर्निंग एपीआई का उपयोग कैसे करें, विशेष रूप से फ़ेडरेटेड एवरेजिंग के वेरिएंट।
- TFF ऑप्टिमाइज़र के साथ कस्टम फ़ेडरेटेड एल्गोरिथम दिखाता है कि फ़ेडरेटेड एवरेजिंग के लिए एक कस्टम पुनरावृत्ति प्रक्रिया बनाने के लिए
tff.learning.optimizers
का उपयोग कैसे करें। - कस्टम फ़ेडरेटेड एल्गोरिथम, भाग 1: फ़ेडरेटेड कोर और भाग 2 का परिचय: फ़ेडरेटेड एवरेजिंग को लागू करना फ़ेडरेटेड कोर एपीआई (FC API) द्वारा पेश की जाने वाली प्रमुख अवधारणाओं और इंटरफेस का परिचय देता है।
- कस्टम एग्रीगेशन को लागू करना
tff.aggregators
मॉड्यूल के पीछे के डिज़ाइन सिद्धांतों और क्लाइंट से सर्वर पर मूल्यों के कस्टम एकत्रीकरण को लागू करने के सर्वोत्तम अभ्यासों की व्याख्या करता है।
सिमुलेशन सर्वोत्तम अभ्यास
कुबेरनेट्स के साथ उच्च-प्रदर्शन सिमुलेशन वर्णन करता है कि कुबेरनेट्स पर चलने वाले उच्च-प्रदर्शन टीएफएफ रनटाइम को कैसे सेटअप और कॉन्फ़िगर किया जाए।
एक्सेलेरेटर (जीपीयू) के साथ टीएफएफ सिमुलेशन दिखाता है कि जीपीयू के साथ टीएफएफ के उच्च-प्रदर्शन रनटाइम का उपयोग कैसे किया जा सकता है।
क्लाइंटडेटा के साथ कार्य करना TFF के क्लाइंटडेटा- आधारित सिमुलेशन डेटासेट को TFF संगणनाओं में एकीकृत करने के लिए सर्वोत्तम अभ्यास देता है।
इंटरमीडिएट और उन्नत ट्यूटोरियल
यादृच्छिक शोर उत्पादन विकेन्द्रीकृत गणनाओं में यादृच्छिकता का उपयोग करने के साथ कुछ सूक्ष्मताओं को इंगित करता है, और सर्वोत्तम प्रथाओं का प्रस्ताव करता है और पैटर्न की सिफारिश करता है।
विशिष्ट ग्राहकों को अलग-अलग डेटा भेजना tff.federated_select के साथ
tff.federated_select
ऑपरेटर का परिचय देता है और एक कस्टम फ़ेडरेटेड एल्गोरिथम का एक सरल उदाहरण देता है जो अलग-अलग क्लाइंट को अलग-अलग डेटा भेजता है।फ़ेडरेटेड_सेलेक्ट और स्पैस एग्रीगेशन के माध्यम से क्लाइंट-कुशल लार्ज-मॉडल फ़ेडरेटेड लर्निंग से पता चलता है कि टीएफएफ का उपयोग एक बहुत बड़े मॉडल को प्रशिक्षित करने के लिए कैसे किया जा सकता है, जहां प्रत्येक क्लाइंट डिवाइस केवल
tff.federated_select
और स्पैस एग्रीगेशन का उपयोग करके मॉडल के एक छोटे से हिस्से को डाउनलोड और अपडेट करता है।फ़ेडरेटेड लर्निंग रिसर्च के लिए TFF: मॉडल और अपडेट कंप्रेशन दर्शाता है कि tensor_encoding API पर कस्टम एग्रीगेशन बिल्डिंग का उपयोग TFF में कैसे किया जा सकता है।
TFF में डिफरेंशियल प्राइवेसी के साथ फ़ेडरेटेड लर्निंग यह दर्शाता है कि उपयोगकर्ता-स्तरीय डिफरेंशियल प्राइवेसी वाले मॉडल को प्रशिक्षित करने के लिए TFF का उपयोग कैसे करें।
TFF में JAX के लिए प्रायोगिक समर्थन से पता चलता है कि TFF में JAX संगणनाओं का उपयोग कैसे किया जा सकता है, यह दर्शाता है कि TFF को अन्य फ्रंटएंड और बैकएंड ML फ्रेमवर्क के साथ इंटरऑपरेट करने में सक्षम होने के लिए कैसे डिज़ाइन किया गया है।