আপনার স্থানীয় টেনসরফ্লো সর্বত্র সর্বত্র ইভেন্টের জন্য আরএসভিপি!
This page was translated by the Cloud Translation API.
Switch to English

পাঠ্য উত্পন্নকরণের জন্য ফেডারেটড লার্নিং

টেনসরফ্লো.অর্গ.এ দেখুন গুগল কোলাবে চালান গিটহাবের উত্স দেখুন নোটবুক ডাউনলোড করুন

এই টিউটোরিয়ালটি চিত্র শ্রেণিবদ্ধকরণের জন্য ফেডারেটড লার্নিংয়ের ধারণাগুলির উপর ভিত্তি করে তৈরি করে এবং ফেডারেট লার্নিংয়ের জন্য আরও কয়েকটি দরকারী পদ্ধতির প্রদর্শন করে।

বিশেষত, আমরা পূর্বে প্রশিক্ষিত কেরাস মডেলটি লোড করি এবং একটি (সিমুলেটেড) বিকেন্দ্রীভূত ডেটাসেটের উপর ফেডারেট প্রশিক্ষণ ব্যবহার করে এটি পরিমার্জন করি। এটি বেশ কয়েকটি কারণে কার্যত গুরুত্বপূর্ণ। সিরিয়ালযুক্ত মডেলগুলি ব্যবহারের দক্ষতা অন্যান্য এমএল পদ্ধতির সাথে ফেডারেট লার্নিংয়ের মিশ্রণকে সহজ করে তোলে। আরও, এটি প্রাক-প্রশিক্ষিত মডেলগুলির বর্ধমান পরিসীমা ব্যবহারের অনুমতি দেয় --- উদাহরণস্বরূপ, স্ক্র্যাচ থেকে ভাষা মডেলগুলি প্রশিক্ষণ খুব কমই প্রয়োজন, কারণ অসংখ্য প্রাক-প্রশিক্ষিত মডেল এখন ব্যাপকভাবে উপলব্ধ (দেখুন, উদাহরণস্বরূপ, টিএফ হাব )। পরিবর্তে, এটি একটি প্রাক-প্রশিক্ষিত মডেল থেকে শুরু করা এবং নির্দিষ্ট অ্যাপ্লিকেশনের জন্য বিকেন্দ্রীভূত ডেটার নির্দিষ্ট বৈশিষ্ট্যগুলির সাথে খাপ খাইয়ে এটি ফেডারেট লার্নিং ব্যবহার করে আরও পরিমার্জন করে।

এই টিউটোরিয়ালটির জন্য, আমরা একটি আরএনএন দিয়ে শুরু করি যা এএসসিআইআই অক্ষর উত্পন্ন করে, এবং এটি ফেডারেট লার্নিংয়ের মাধ্যমে পরিমার্জন করে। আমরা কীভাবে চূড়ান্ত ওজনকে মূল কেরাস মডেলকে খাওয়ানো যায়, স্ট্যান্ডার্ড সরঞ্জামগুলি ব্যবহার করে সহজ মূল্যায়ন এবং পাঠ্য প্রজন্মকে মঞ্জুরি দেয়।

!pip install --quiet --upgrade tensorflow-federated-nightly
!pip install --quiet --upgrade nest-asyncio

import nest_asyncio
nest_asyncio.apply()

import collections
import functools
import os
import time

import numpy as np
import tensorflow as tf
import tensorflow_federated as tff

np.random.seed(0)

# Test the TFF is working:
tff.federated_computation(lambda: 'Hello, World!')()

b'Hello, World!'

একটি প্রাক প্রশিক্ষিত মডেল লোড করুন

আমরা এমন একটি মডেল লোড করি যা উত্সাহিত মৃত্যুদন্ডের সাথে আরএনএন ব্যবহার করে টেনসরফ্লো টিউটোরিয়াল পাঠ প্রজন্মের অনুসরণে প্রাক প্রশিক্ষণ প্রাপ্ত। তবে শেকসপিয়রের দ্য কমপ্লিট ওয়ার্কস সম্পর্কে প্রশিক্ষণ না দিয়ে আমরা চার্লস ডিকেন্সের ' টেল অফ টু সিটিস' এবং 'ক্রিসমাস ক্যারোল' -এর পাঠ্যটিতে মডেলটিকে প্রাক-প্রশিক্ষণ দিয়েছি।

শব্দভাণ্ডার প্রসারিত করা ব্যতীত, আমরা মূল টিউটোরিয়ালটি সংশোধন করিনি, সুতরাং এই প্রাথমিক মডেলটি অত্যাধুনিক নয়, তবে এটি যুক্তিসঙ্গত পূর্বাভাস তৈরি করে এবং আমাদের টিউটোরিয়াল উদ্দেশ্যে যথেষ্ট for চূড়ান্ত মডেলটি tf.keras.models.save_model(include_optimizer=False) দিয়ে সংরক্ষণ করা হয়েছিল।

আমরা এই টিউটোরিয়ালে শেক্সপিয়রের জন্য এই মডেলটিকে সূক্ষ্ম-সুর করতে ফেডারেট লার্নিং ব্যবহার করব, টিএফএফের সরবরাহিত ডেটার একটি ফেডারেটেড সংস্করণ ব্যবহার করে।

ভোকাব লুকিং টেবিলগুলি তৈরি করুন

# A fixed vocabularly of ASCII chars that occur in the works of Shakespeare and Dickens:
vocab = list('dhlptx@DHLPTX $(,048cgkoswCGKOSW[_#\'/37;?bfjnrvzBFJNRVZ"&*.26:\naeimquyAEIMQUY]!%)-159\r')

# Creating a mapping from unique characters to indices
char2idx = {u:i for i, u in enumerate(vocab)}
idx2char = np.array(vocab)

প্রাক প্রশিক্ষিত মডেলটি লোড করুন এবং কিছু পাঠ্য উত্পন্ন করুন

def load_model(batch_size):
  urls = {
      1: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel',
      8: 'https://storage.googleapis.com/tff-models-public/dickens_rnn.batch8.kerasmodel'}
  assert batch_size in urls, 'batch_size must be in ' + str(urls.keys())
  url = urls[batch_size]
  local_file = tf.keras.utils.get_file(os.path.basename(url), origin=url)  
  return tf.keras.models.load_model(local_file, compile=False)

def generate_text(model, start_string):
  # From https://www.tensorflow.org/tutorials/sequences/text_generation
  num_generate = 200
  input_eval = [char2idx[s] for s in start_string]
  input_eval = tf.expand_dims(input_eval, 0)
  text_generated = []
  temperature = 1.0

  model.reset_states()
  for i in range(num_generate):
    predictions = model(input_eval)
    predictions = tf.squeeze(predictions, 0)
    predictions = predictions / temperature
    predicted_id = tf.random.categorical(
        predictions, num_samples=1)[-1, 0].numpy()
    input_eval = tf.expand_dims([predicted_id], 0)
    text_generated.append(idx2char[predicted_id])

  return (start_string + ''.join(text_generated))

# Text generation requires a batch_size=1 model.
keras_model_batch1 = load_model(batch_size=1)
print(generate_text(keras_model_batch1, 'What of TensorFlow Federated, you ask? '))

Downloading data from https://storage.googleapis.com/tff-models-public/dickens_rnn.batch1.kerasmodel
16195584/16193984 [==============================] - 0s 0us/step
16203776/16193984 [==============================] - 0s 0us/step
What of TensorFlow Federated, you ask? Sall
yesterday. Received the Bailey."

"Mr. Lorry, grimmering himself, or low varked thends the winter, and the eyes of Monsieur
Defarge. "Let his mind, hon in his
life and message; four declare

ফেডারেটেড শেক্সপিয়র ডেটা লোড এবং প্রিপ্রেসেস করুন

tff.simulation.datasets প্যাকেজটি বিভিন্ন tff.simulation.datasets ক্লায়েন্টে বিভক্ত ডেটাসেট সরবরাহ করে, যেখানে প্রতিটি ক্লায়েন্ট একটি নির্দিষ্ট ডিভাইসে ডেটাসেটের সাথে tff.simulation.datasets যা ফেডারেট লার্নিংয়ে অংশ নিতে পারে।

এই ডেটাসেটগুলি বাস্তব-নন-আইআইডি ডেটা বিতরণ সরবরাহ করে যা প্রকৃত বিকেন্দ্রীভূত ডেটার উপর প্রশিক্ষণের চ্যালেঞ্জগুলির অনুকরণে প্রতিলিপি দেয়। এই ডেটাটির কিছু প্রাক-প্রক্রিয়াজাতকরণ লিফ প্রকল্প ( গিথুব ) থেকে সরঞ্জাম ব্যবহার করে করা হয়েছিল।

train_data, test_data = tff.simulation.datasets.shakespeare.load_data()

শেকসপিয়ার.লোড_ডাটা shakespeare.load_data() সরবরাহিত ডেটাসেটগুলিতে স্ট্রিং Tensors ক্রম থাকে, শেক্সপিয়র নাটকের একটি নির্দিষ্ট চরিত্রের দ্বারা কথিত প্রতিটি লাইনের জন্য একটি। ক্লায়েন্ট কীগুলি নাটকটির নামটি চরিত্রের নামের সাথে যুক্ত, সুতরাং উদাহরণস্বরূপ MUCH_ADO_ABOUT_NOTHING_OTHELLO মুচ অ্যাডো অ্যাবাউটিং কিছুই নাটকটিতে ওথেলো চরিত্রটির লাইনের সাথে MUCH_ADO_ABOUT_NOTHING_OTHELLO । মনে রাখবেন যে সত্যিকারের ফেডারেট লার্নিং দৃশ্যে ক্লায়েন্টরা কখনই আইডিএস দ্বারা সনাক্ত বা ট্র্যাক হয় না, তবে সিমুলেশনের জন্য কীড ডেটাসেটগুলির সাথে কাজ করা কার্যকর।

এখানে, উদাহরণস্বরূপ, আমরা কিং লিয়ারের কিছু ডেটা দেখতে পারি:

# Here the play is "The Tragedy of King Lear" and the character is "King".
raw_example_dataset = train_data.create_tf_dataset_for_client(
    'THE_TRAGEDY_OF_KING_LEAR_KING')
# To allow for future extensions, each entry x
# is an OrderedDict with a single key 'snippets' which contains the text.
for x in raw_example_dataset.take(2):
  print(x['snippets'])

tf.Tensor(b'', shape=(), dtype=string)
tf.Tensor(b'What?', shape=(), dtype=string)

উপরের লোড চার্ট আরএনএন প্রশিক্ষণের জন্য এই তথ্য প্রস্তুত করার জন্য আমরা এখনtf.data.Dataset রূপান্তর ব্যবহারtf.data.Dataset ।

# Input pre-processing parameters
SEQ_LENGTH = 100
BATCH_SIZE = 8
BUFFER_SIZE = 100  # For dataset shuffling

# Construct a lookup table to map string chars to indexes,
# using the vocab loaded above:
table = tf.lookup.StaticHashTable(
    tf.lookup.KeyValueTensorInitializer(
        keys=vocab, values=tf.constant(list(range(len(vocab))),
                                       dtype=tf.int64)),
    default_value=0)


def to_ids(x):
  s = tf.reshape(x['snippets'], shape=[1])
  chars = tf.strings.bytes_split(s).values
  ids = table.lookup(chars)
  return ids


def split_input_target(chunk):
  input_text = tf.map_fn(lambda x: x[:-1], chunk)
  target_text = tf.map_fn(lambda x: x[1:], chunk)
  return (input_text, target_text)


def preprocess(dataset):
  return (
      # Map ASCII chars to int64 indexes using the vocab
      dataset.map(to_ids)
      # Split into individual chars
      .unbatch()
      # Form example sequences of SEQ_LENGTH +1
      .batch(SEQ_LENGTH + 1, drop_remainder=True)
      # Shuffle and form minibatches
      .shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
      # And finally split into (input, target) tuples,
      # each of length SEQ_LENGTH.
      .map(split_input_target))

মনে রাখবেন যে আসল ক্রমগুলি তৈরি করার এবং উপরের ব্যাচগুলির গঠনে, আমরা সরলতার জন্য drop_remainder=True ব্যবহার drop_remainder=True । এর অর্থ হ'ল যে কোনও অক্ষর (ক্লায়েন্ট) যার কমপক্ষে (SEQ_LENGTH + 1) * BATCH_SIZE অক্ষরের খালি ডেটাসেট থাকবে। এটিকে সম্বোধন করার জন্য একটি সাধারণ পদ্ধতির ব্যাচগুলি বিশেষ টোকেন দিয়ে প্যাড করা এবং প্যাডিং টোকেনগুলিকে বিবেচনায় না নেওয়ার জন্য ক্ষতিকে মুখোশ করা।

এটি উদাহরণটিকে কিছুটা জটিল করে তুলবে, সুতরাং এই টিউটোরিয়ালের জন্য আমরা কেবলমাত্র স্ট্যান্ডার্ড টিউটোরিয়ালের মতো পূর্ণ ব্যাচ ব্যবহার করি। তবে, ফেডারেটেড সেটিংয়ে এই সমস্যাটি আরও তাত্পর্যপূর্ণ, কারণ অনেক ব্যবহারকারীর কাছে ছোট ডেটাসেট থাকতে পারে।

এখন আমরা আমাদের raw_example_dataset করতে পারি এবং প্রকারগুলি পরীক্ষা করতে পারি:

example_dataset = preprocess(raw_example_dataset)
print(example_dataset.element_spec)

(TensorSpec(shape=(8, 100), dtype=tf.int64, name=None), TensorSpec(shape=(8, 100), dtype=tf.int64, name=None))

প্রিলোসেসড ডেটাতে মডেলটি পরীক্ষা করুন এবং পরীক্ষা করুন

আমরা একটি keras_model.evaluate মডেল লোড করেছি, তবে keras_model.evaluate চালানোর জন্য আমাদের এটি ক্ষতি এবং মেট্রিক্স সহ সংকলন করতে হবে। আমরা একটি অপ্টিমাইজারেও সংকলন করব, যা ফেডারেট লার্নিংয়ে অন-ডিভাইস অপ্টিমাইজার হিসাবে ব্যবহৃত হবে।

মূল টিউটোরিয়ালের চর-স্তরের নির্ভুলতা ছিল না (ভবিষ্যদ্বাণীগুলির ভগ্নাংশ যেখানে সর্বোচ্চ সম্ভাব্যতাটি সঠিক পরবর্তী চরটিতে রাখা হয়েছিল)। এটি একটি দরকারী মেট্রিক, তাই আমরা এটি যুক্ত করি। তবে আমাদের এটির জন্য একটি নতুন মেট্রিক শ্রেণি সংজ্ঞায়িত করতে হবে কারণ আমাদের পূর্বাভাসগুলিতে র‌্যাঙ্ক 3 রয়েছে (প্রতিটি BATCH_SIZE * SEQ_LENGTH পূর্বাভাসের জন্য লগিটের ভেক্টর), এবং SparseCategoricalAccuracy কেবলমাত্র 2 BATCH_SIZE * SEQ_LENGTH পূর্বাভাসের প্রত্যাশা করে।

class FlattenedCategoricalAccuracy(tf.keras.metrics.SparseCategoricalAccuracy):

  def __init__(self, name='accuracy', dtype=tf.float32):
    super().__init__(name, dtype=dtype)

  def update_state(self, y_true, y_pred, sample_weight=None):
    y_true = tf.reshape(y_true, [-1, 1])
    y_pred = tf.reshape(y_pred, [-1, len(vocab), 1])
    return super().update_state(y_true, y_pred, sample_weight)

এখন আমরা একটি মডেল সংকলন করতে পারি এবং এটি আমাদের example_dataset মূল্যায়ন করতে পারি।

BATCH_SIZE = 8  # The training and eval batch size for the rest of this tutorial.
keras_model = load_model(batch_size=BATCH_SIZE)
keras_model.compile(
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[FlattenedCategoricalAccuracy()])

# Confirm that loss is much lower on Shakespeare than on random data
loss, accuracy = keras_model.evaluate(example_dataset.take(5), verbose=0)
print(
    'Evaluating on an example Shakespeare character: {a:3f}'.format(a=accuracy))

# As a sanity check, we can construct some completely random data, where we expect
# the accuracy to be essentially random:
random_guessed_accuracy = 1.0 / len(vocab)
print('Expected accuracy for random guessing: {a:.3f}'.format(
    a=random_guessed_accuracy))
random_indexes = np.random.randint(
    low=0, high=len(vocab), size=1 * BATCH_SIZE * (SEQ_LENGTH + 1))
data = collections.OrderedDict(
    snippets=tf.constant(
        ''.join(np.array(vocab)[random_indexes]), shape=[1, 1]))
random_dataset = preprocess(tf.data.Dataset.from_tensor_slices(data))
loss, accuracy = keras_model.evaluate(random_dataset, steps=10, verbose=0)
print('Evaluating on completely random data: {a:.3f}'.format(a=accuracy))

Downloading data from https://storage.googleapis.com/tff-models-public/dickens_rnn.batch8.kerasmodel
16195584/16193984 [==============================] - 0s 0us/step
16203776/16193984 [==============================] - 0s 0us/step
Evaluating on an example Shakespeare character: 0.402000
Expected accuracy for random guessing: 0.012
Evaluating on completely random data: 0.011

ফেডারেট লার্নিংয়ের সাথে মডেলটির সূক্ষ্ম সুরে

টিএফএফ সমস্ত টেনসরফ্লো গণনাগুলিকে সিরিয়ালাইজ করে যাতে এগুলি সম্ভাব্যভাবে পাইথন-নন পরিবেশে চালানো যায় (যদিও এই মুহুর্তে পাইথনে প্রয়োগ করা কেবলমাত্র একটি সিমুলেশন রানটাইম উপলব্ধ)। যদিও আমরা আগ্রহী মোডে চলছি, (টিএফ ২.০), বর্তমানে টিএফএফ "" with tf.Graph.as_default() "স্টেটমেন্ট with tf.Graph.as_default() প্রসঙ্গের ভিতরে প্রয়োজনীয় with tf.Graph.as_default() । সুতরাং, আমাদের টিএফএফ এটি নিয়ন্ত্রণ করে এমন একটি গ্রাফের সাথে আমাদের মডেলটি প্রবর্তন করতে একটি ফাংশন সরবরাহ করতে হবে need অনুসরণ হিসাবে আমরা এই কাজ:

# Clone the keras_model inside `create_tff_model()`, which TFF will
# call to produce a new copy of the model inside the graph that it will 
# serialize. Note: we want to construct all the necessary objects we'll need 
# _inside_ this method.
def create_tff_model():
  # TFF uses an `input_spec` so it knows the types and shapes
  # that your model expects.
  input_spec = example_dataset.element_spec
  keras_model_clone = tf.keras.models.clone_model(keras_model)
  return tff.learning.from_keras_model(
      keras_model_clone,
      input_spec=input_spec,
      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[FlattenedCategoricalAccuracy()])

এখন আমরা একটি ফেডারেটেড এভারেজিং পুনরাবৃত্তি প্রক্রিয়াটি তৈরির জন্য প্রস্তুত, যা আমরা মডেলটি উন্নত করতে ব্যবহার করব (ফেডারেটেড এভারেজিং অ্যালগরিদম সম্পর্কিত বিশদগুলির জন্য, বিকেন্দ্রীভূত ডেটা থেকে গভীর নেটওয়ার্কগুলির কাগজ যোগাযোগ-দক্ষ শিখুন )।

আমরা ফেডারেশন প্রশিক্ষণের প্রতিটি রাউন্ডের পরে মানক (অ-সংঘবদ্ধ) মূল্যায়ন করতে সংকলিত কেরাস মডেল ব্যবহার করি। সিমুলেটেড ফেডারেট লার্নিং করার সময় এটি গবেষণামূলক উদ্দেশ্যে কার্যকর এবং সেখানে একটি স্ট্যান্ডার্ড টেস্ট ডেটাসেট থাকে।

বাস্তবসম্মত উত্পাদনের সেটিংয়ে এই একই কৌশলটি পরীক্ষামূলক বা গুণগত নিশ্চয়তার উদ্দেশ্যে কেন্দ্রীয়ভাবে বেঞ্চমার্ক ডেটাসেটে ফেডারেট লার্নিংয়ের সাথে প্রশিক্ষিত মডেলগুলি নিতে এবং তাদের মূল্যায়ন করতে ব্যবহৃত হতে পারে।

0 বি 99964430

এখানে সম্ভাব্যতম সহজ লুপটি রয়েছে, যেখানে আমরা একক ব্যাচের একক ক্লায়েন্টে এক রাউন্ডের গড় গড়ে চালাচ্ছি:

state = fed_avg.initialize()
state, metrics = fed_avg.next(state, [example_dataset.take(5)])
train_metrics = metrics['train']
print('loss={l:.3f}, accuracy={a:.3f}'.format(
    l=train_metrics['loss'], a=train_metrics['accuracy']))

loss=4.403, accuracy=0.132

এবার আরও কিছু আকর্ষণীয় প্রশিক্ষণ এবং মূল্যায়ন লুপ লিখি।

যাতে এই সিমুলেশনটি এখনও তুলনামূলকভাবে দ্রুত সঞ্চালিত হয়, আমরা প্রতিটি রাউন্ডে কেবল দুটি মিনিব্যাচ বিবেচনা করে একই রাস্তায় তিনটি ক্লায়েন্টকে প্রশিক্ষণ দেই।

0 দফা5a680

fed_avg.initialize() দ্বারা উত্পাদিত মডেলের প্রাথমিক অবস্থা কেরাস মডেলের জন্য র্যান্ডম ইনিশিয়ালাইজারগুলির উপর ভিত্তি করে তৈরি করা হয়েছে, যে clone_model() বোঝা হয়েছিল তা নয়, যেহেতু clone_model() ক্লোন করে না। প্রাক-প্রশিক্ষিত মডেল থেকে প্রশিক্ষণ শুরু করতে, আমরা লোড হওয়া মডেল থেকে সরাসরি সার্ভারের রাজ্যে মডেল ওজন সেট করি।

NUM_ROUNDS = 5

# The state of the FL server, containing the model and optimization state.
state = fed_avg.initialize()

# Load our pre-trained Keras model weights into the global model state.
state = tff.learning.state_with_new_model_weights(
    state,
    trainable_weights=[v.numpy() for v in keras_model.trainable_weights],
    non_trainable_weights=[
        v.numpy() for v in keras_model.non_trainable_weights
    ])


def keras_evaluate(state, round_num):
  # Take our global model weights and push them back into a Keras model to
  # use its standard `.evaluate()` method.
  keras_model = load_model(batch_size=BATCH_SIZE)
  keras_model.compile(
      loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
      metrics=[FlattenedCategoricalAccuracy()])
  state.model.assign_weights_to(keras_model)
  loss, accuracy = keras_model.evaluate(example_dataset, steps=2, verbose=0)
  print('\tEval: loss={l:.3f}, accuracy={a:.3f}'.format(l=loss, a=accuracy))


for round_num in range(NUM_ROUNDS):
  print('Round {r}'.format(r=round_num))
  keras_evaluate(state, round_num)
  state, metrics = fed_avg.next(state, train_datasets)
  train_metrics = metrics['train']
  print('\tTrain: loss={l:.3f}, accuracy={a:.3f}'.format(
      l=train_metrics['loss'], a=train_metrics['accuracy']))

print('Final evaluation')
keras_evaluate(state, NUM_ROUNDS + 1)

Round 0
    Eval: loss=3.324, accuracy=0.401
    Train: loss=4.360, accuracy=0.155
Round 1
    Eval: loss=4.361, accuracy=0.049
    Train: loss=4.235, accuracy=0.164
Round 2
    Eval: loss=4.219, accuracy=0.177
    Train: loss=4.081, accuracy=0.221
Round 3
    Eval: loss=4.080, accuracy=0.174
    Train: loss=3.940, accuracy=0.226
Round 4
    Eval: loss=3.991, accuracy=0.176
    Train: loss=3.840, accuracy=0.226
Final evaluation
    Eval: loss=3.909, accuracy=0.171

ডিফল্ট পরিবর্তনগুলির সাথে, আমরা একটি বড় পার্থক্য তৈরি করার জন্য পর্যাপ্ত প্রশিক্ষণ পাইনি, তবে আপনি যদি আরও শেক্সপিয়ার ডেটাতে আরও বেশি প্রশিক্ষণ দেন তবে আপনাকে আপডেট হওয়া মডেলটির সাহায্যে উত্পন্ন পাঠ্যের শৈলীতে একটি পার্থক্য দেখতে হবে:

# Set our newly trained weights back in the originally created model.
keras_model_batch1.set_weights([v.numpy() for v in keras_model.weights])
# Text generation requires batch_size=1
print(generate_text(keras_model_batch1, 'What of TensorFlow Federated, you ask? '))

What of TensorFlow Federated, you ask? Shalways, I will call your
compet with any city brought their faces uncompany," besumed him. "When he
sticked Madame Defarge pushed the lamps.

"Have I often but no unison. She had probably come,

প্রস্তাবিত এক্সটেনশনগুলি

এই টিউটোরিয়ালটি ঠিক প্রথম ধাপ! আপনি কীভাবে এই নোটবুকটি প্রসারিত করার চেষ্টা করতে পারেন তার জন্য এখানে কিছু ধারণা দেওয়া হয়েছে:

  • একটি আরও বাস্তবসম্মত প্রশিক্ষণের লুপ লিখুন যেখানে আপনি ক্লায়েন্টদের এলোমেলোভাবে প্রশিক্ষণের জন্য নমুনা করেন।
  • স্থানীয় প্রশিক্ষণের একাধিক .repeat(NUM_EPOCHS) চেষ্টা করার জন্য ক্লায়েন্টের ডেটাসেটগুলিতে " .repeat(NUM_EPOCHS) " ব্যবহার করুন (যেমন, ম্যাকমাহান এ্যাট। আল। )। চিত্র শ্রেণীবদ্ধের জন্য ফেডারেটড লার্নিং দেখুন যা এটি করে।
  • ক্লায়েন্টে বিভিন্ন অপ্টিমাইজেশন অ্যালগরিদম ব্যবহার করে পরীক্ষা করতে compile() কমান্ডটি পরিবর্তন করুন।
  • সার্ভারে মডেল আপডেটগুলি প্রয়োগ করার জন্য বিভিন্ন অ্যালগরিদম চেষ্টা করার জন্য build_federated_averaging_process ব্যবহার করার জন্য server_optimizer যুক্তিটি চেষ্টা করুন।
  • ব্যবহার করে দেখুন client_weight_fn করতে যুক্তি build_federated_averaging_process ক্লায়েন্টদের বিভিন্ন weightings চেষ্টা করুন। ডিফল্ট ক্লায়েন্টের উদাহরণগুলির সংখ্যা অনুসারে ক্লায়েন্টের আপডেটগুলি ওজন করে তবে আপনি ক্লায়েন্ট_ client_weight_fn=lambda _: tf.constant(1.0) ।