Esses tutoriais baseados em colab orientam você pelos principais conceitos e APIs do TFF usando exemplos práticos. A documentação de referência pode ser encontrada nos guias TFF .
Introdução ao aprendizado federado
- O Aprendizado Federado para classificação de imagens apresenta as principais partes da API do Aprendizado Federado (FL) e demonstra como usar o TFF para simular o aprendizado federado em dados federados do tipo MNIST.
- O Aprendizado Federado para geração de texto demonstra ainda mais como usar a API FL do TFF para refinar um modelo pré-treinado serializado para uma tarefa de modelagem de linguagem.
- O ajuste de agregações recomendadas para aprendizado mostra como os cálculos FL básicos em
tff.learningpodem ser combinados com rotinas de agregação especializadas que oferecem robustez, privacidade diferencial, compactação e muito mais. - A Reconstrução Federada para Fatorização de Matrizes introduz o aprendizado federado parcialmente local, onde alguns parâmetros do cliente nunca são agregados no servidor. O tutorial demonstra como usar a API de aprendizado federado para treinar um modelo de fatoração de matriz parcialmente local.
Introdução à análise federada
- Private Heavy Hitters mostra como usar
tff.analytics.heavy_hitterspara construir uma computação analítica federada para descobrir pesos pesados privados.
Gravando cálculos federados personalizados
- Construindo seu próprio algoritmo de aprendizado federado mostra como usar as APIs TFF Core para implementar algoritmos de aprendizado federado, usando média federada como exemplo.
- Composing Learning Algorithms mostra como usar a TFF Learning API para implementar facilmente novos algoritmos de aprendizagem federados, especialmente variantes de média federada.
- Algoritmo federado personalizado com otimizadores TFF mostra como usar
tff.learning.optimizerspara criar um processo iterativo personalizado para média federada. - Algoritmos Federados Personalizados, Parte 1: Introdução ao Núcleo Federado e Parte 2: Implementando a Média Federada apresentam os principais conceitos e interfaces oferecidos pela API do Núcleo Federado (FC API).
- A implementação de agregações personalizadas explica os princípios de design por trás do módulo
tff.aggregatorse as práticas recomendadas para implementar a agregação personalizada de valores de clientes para servidor.
Práticas recomendadas de simulação
A simulação de TFF com aceleradores (GPU) mostra como o tempo de execução de alto desempenho do TFF pode ser usado com GPUs.
Trabalhar com ClientData fornece práticas recomendadas para integrar conjuntos de dados de simulação baseados em ClientData do TFF em cálculos de TFF.
Tutoriais intermediários e avançados
A geração de ruído aleatório aponta algumas sutilezas com o uso de aleatoriedade em cálculos descentralizados e propõe melhores práticas e padrões recomendados.
Enviando dados diferentes para clientes específicos com tff.federated_select apresenta o operador
tff.federated_selecte fornece um exemplo simples de um algoritmo federado personalizado que envia dados diferentes para clientes diferentes.O aprendizado federado de modelo grande com eficiência de cliente via federated_select e agregação esparsa mostra como o TFF pode ser usado para treinar um modelo muito grande em que cada dispositivo cliente baixa e atualiza apenas uma pequena parte do modelo, usando
tff.federated_selecte agregação esparsa.TFF for Federated Learning Research: Model and Update Compression demonstra como as agregações personalizadas baseadas na API tensor_encoding podem ser usadas no TFF.
O aprendizado federado com privacidade diferencial no TFF demonstra como usar o TFF para treinar modelos com privacidade diferencial no nível do usuário.
O suporte para JAX no TFF mostra como os cálculos JAX podem ser usados no TFF, demonstrando como o TFF foi projetado para ser capaz de interoperar com outras estruturas ML de front-end e back-end.