ये कोलाब-आधारित ट्यूटोरियल आपको व्यावहारिक उदाहरणों का उपयोग करके मुख्य टीएफएफ अवधारणाओं और एपीआई के बारे में बताते हैं। संदर्भ दस्तावेज़ TFF गाइड में पाया जा सकता है।
फ़ेडरेटेड शिक्षण के साथ शुरुआत करना
- छवि वर्गीकरण के लिए फ़ेडरेटेड लर्निंग फ़ेडरेटेड लर्निंग (एफएल) एपीआई के प्रमुख भागों का परिचय देता है, और दर्शाता है कि फ़ेडरेटेड एमएनआईएसटी-जैसे डेटा पर फ़ेडरेटेड लर्निंग को अनुकरण करने के लिए टीएफएफ का उपयोग कैसे करें।
- टेक्स्ट जेनरेशन के लिए फ़ेडरेटेड लर्निंग आगे दर्शाता है कि भाषा मॉडलिंग कार्य के लिए क्रमबद्ध पूर्व-प्रशिक्षित मॉडल को परिष्कृत करने के लिए टीएफएफ के एफएल एपीआई का उपयोग कैसे किया जाए।
- सीखने के लिए अनुशंसित एकत्रीकरण को ट्यून करने से पता चलता है कि कैसे
tff.learning
में बुनियादी FL गणनाओं को मजबूती, अंतर गोपनीयता, संपीड़न और बहुत कुछ प्रदान करने वाले विशेष एकत्रीकरण दिनचर्या के साथ जोड़ा जा सकता है। - मैट्रिक्स फ़ैक्टराइज़ेशन के लिए फ़ेडरेटेड पुनर्निर्माण आंशिक रूप से स्थानीय फ़ेडरेटेड लर्निंग का परिचय देता है, जहां 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
- प्राइवेट हेवी हिटर्स दिखाता है कि प्राइवेट हेवी हिटर्स की खोज के लिए फ़ेडरेटेड एनालिटिक्स गणना बनाने के लिए
tff.analytics.heavy_hitters
का उपयोग कैसे करें।
कस्टम फ़ेडरेटेड संगणनाएँ लिखना
- अपनी खुद की फ़ेडरेटेड लर्निंग एल्गोरिदम का निर्माण एक उदाहरण के रूप में फ़ेडरेटेड एवरेजिंग का उपयोग करके, फ़ेडरेटेड लर्निंग एल्गोरिदम को लागू करने के लिए टीएफएफ कोर एपीआई का उपयोग करने का तरीका दिखाता है।
- लर्निंग एल्गोरिदम की रचना से पता चलता है कि नए फ़ेडरेटेड लर्निंग एल्गोरिदम, विशेष रूप से फ़ेडरेटेड एवरेजिंग के वेरिएंट को आसानी से लागू करने के लिए टीएफएफ लर्निंग एपीआई का उपयोग कैसे किया जाए।
- कस्टम फ़ेडरेटेड एल्गोरिदम, भाग 1: फ़ेडरेटेड कोर का परिचय और भाग 2: फ़ेडरेटेड एवरेजिंग को लागू करना फ़ेडरेटेड कोर एपीआई (एफसी एपीआई) द्वारा प्रस्तावित 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 तक मूल्यों के कस्टम एग्रीगेशन को लागू करने के लिए सर्वोत्तम प्रथाओं की व्याख्या करता है।
सिमुलेशन सर्वोत्तम अभ्यास
एक्सेलेरेटर (जीपीयू) के साथ टीएफएफ सिमुलेशन दिखाता है कि टीएफएफ के उच्च-प्रदर्शन रनटाइम का उपयोग जीपीयू के साथ कैसे किया जा सकता है।
क्लाइंटडेटा के साथ काम करने से टीएफएफ के क्लाइंटडेटा -आधारित सिमुलेशन डेटासेट को टीएफएफ गणनाओं में एकीकृत करने के लिए सर्वोत्तम अभ्यास मिलते हैं।
मध्यवर्ती और उन्नत ट्यूटोरियल
यादृच्छिक शोर सृजन विकेंद्रीकृत 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।
Tff.federated_select के साथ विशेष ग्राहकों को अलग-अलग डेटा भेजना
tff.federated_select
ऑपरेटर का परिचय देता है और एक कस्टम फ़ेडरेटेड एल्गोरिदम का एक सरल उदाहरण देता है जो विभिन्न ग्राहकों को अलग-अलग डेटा भेजता है।Federated_select और sparse एकत्रीकरण के माध्यम से क्लाइंट-कुशल बड़े-मॉडल फ़ेडरेटेड लर्निंग से पता चलता है कि TFF 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 sparse एकत्रीकरण का उपयोग करके मॉडल का एक छोटा सा हिस्सा डाउनलोड और अपडेट करता है।टीएफएफ में विभेदक गोपनीयता के साथ फेडरेटेड लर्निंग दर्शाता है कि उपयोगकर्ता-स्तरीय विभेदक गोपनीयता के साथ मॉडल को प्रशिक्षित करने के लिए टीएफएफ का उपयोग कैसे किया जाए।