Tutorial federati TensorFlow

Questi CoLab a base di esercitazioni si cammina attraverso i concetti principali TFF e API utilizzando esempi pratici. Documentazione di riferimento può essere trovato nelle guide TFF .

Iniziare con l'apprendimento federato

• Federated Learning per la classificazione di immagini introduce le parti principali delle API Federated Learning (FL), e viene illustrato come utilizzare TFF per simulare l'apprendimento federata su federata MNIST dati omogenei.
• Federated Learning per la generazione di testo dimostra ulteriormente come utilizzare FL API TFF per perfezionare un modello pre-addestrato serializzato per un compito linguaggio di modellazione.
• Sintonia raccomanda aggregazioni per l'apprendimento mostra come i calcoli di base in FL tff.learning possono essere combinati con le routine di aggregazione specializzati offrendo robustezza, la privacy differenziale, la compressione, e altro ancora.
• Federated ricostruzione per Matrix Factorization introduce learning federato parzialmente locale, dove alcuni parametri client sono mai aggregate sul server. L'esercitazione dimostra come utilizzare l'API di apprendimento federata per addestrare un modello di fattorizzazione della matrice parzialmente locale.

Scrittura di calcoli federati personalizzati

• Costruire il proprio algoritmo di apprendimento federati mostra come utilizzare le API core TFF per implementare algoritmi di apprendimento federati, utilizzando Federati della media come esempio.
• Algoritmo personalizzato federata con TFF ottimizzatori mostra come usare tff.learning.optimizers per costruire un processo iterativo personalizzato per Federati della media.
• Personalizzato federati Algoritmi, Parte 1: Introduzione al federati Nucleo e Parte 2: Implementazione Federati della media introducono i concetti chiave e le interfacce offerte dall'API Federated core (FC API).
• Implementazione Personalizzata aggregazioni spiega i principi di progettazione dietro la tff.aggregators modulo e best practice per l'implementazione un'aggregazione personalizzata di valori dai client ai server.

Best practice per la simulazione

• Simulazioni ad alte prestazioni con TFF descrive come installare e configurare il runtime TFF ad alte prestazioni.

• Simulazione TFF con acceleratori (GPU) mostra come runtime ad alte prestazioni di TFF può essere utilizzato con le GPU.

• Lavorare con ClientData dà le migliori pratiche per l'integrazione del TFF ClientData a base di simulazione serie di dati in calcoli TFF.

Tutorial intermedi e avanzati

• Generazione di rumore casuale punti su alcune subtlities con l'utilizzo di casualità nei calcoli decentrate, e propone le migliori pratiche e raccomandare modelli.

• Invio di clienti diversi dati a particolari Con tff.federated_select introduce il tff.federated_select dell'operatore e fornisce un semplice esempio di un algoritmo personalizzato federata che invia i dati differenti per diversi clienti.

• Grande modello di apprendimento federata client-efficiente tramite federated_select e di aggregazione sparse mostra come TFF può essere utilizzato per formare un grande modello in cui ogni dispositivo client solo download e aggiornamenti una piccola parte del modello, utilizzando tff.federated_select e aggregazione sparse.

• TFF per Federated apprendimento di ricerca: per modello e compressione aggiornamento dimostra come aggregazioni personalizzati costruzione sul API tensor_encoding possono essere utilizzati in TFF.

• Federated apprendimento con Privacy Differenziale in TFF illustrato come utilizzare TFF per addestrare i modelli con la privacy differenziale a livello di utente.

• Supporto sperimentale per JAX in TFF mostra come JAX calcoli possono essere utilizzati in TFF, dimostrando come TFF è progettato per essere in grado di interagire con altri frontend e backend quadri ML.