این آموزشهای مبتنی بر colab با استفاده از مثالهای عملی، مفاهیم اصلی و APIهای TFF را راهنمایی میکنند. اسناد مرجع را می توان در راهنماهای TFF یافت.
شروع با یادگیری فدرال
- آموزش فدرال برای طبقهبندی تصویر ، بخشهای کلیدی API یادگیری فدرال (FL) را معرفی میکند و نحوه استفاده از TFF برای شبیهسازی یادگیری فدرال روی دادههای مشابه MNIST را نشان میدهد.
- آموزش فدرال برای تولید متن بیشتر نشان می دهد که چگونه از API FL TFF برای اصلاح یک مدل از پیش آموزش داده شده سریالی برای یک کار مدل سازی زبان استفاده کنید.
- تنظیم مجموعههای توصیهشده برای یادگیری نشان میدهد که چگونه محاسبات پایه FL در
tff.learning
را میتوان با روالهای تجمع تخصصی که استحکام، حریم خصوصی تفاضلی، فشردهسازی و موارد دیگر را ارائه میدهند، ترکیب کرد. - بازسازی فدرال برای فاکتورسازی ماتریس ، یادگیری فدرال تا حدی محلی را معرفی میکند، که در آن برخی از پارامترهای مشتری هرگز در سرور جمع نمیشوند. این آموزش نشان می دهد که چگونه از API یادگیری فدرال برای آموزش یک مدل فاکتورسازی ماتریس جزئی محلی استفاده کنید.
شروع کار با تجزیه و تحلیل فدرال
- Private Heavy Hitters نشان می دهد که چگونه از
tff.analytics.heavy_hitters
برای ایجاد یک محاسبات تحلیلی فدرال برای کشف ضربه زن های سنگین خصوصی استفاده کنید.
نوشتن محاسبات فدرال سفارشی
- ساختن الگوریتم یادگیری فدرال خود را نشان می دهد که چگونه از API های هسته ای TFF برای پیاده سازی الگوریتم های یادگیری فدرال استفاده کنید، با استفاده از میانگین گیری فدرال به عنوان مثال.
- Composing Learning Algorithms نشان می دهد که چگونه می توان از TFF Learning API برای پیاده سازی آسان الگوریتم های یادگیری فدرال جدید، به ویژه انواع میانگین گیری فدرال استفاده کرد.
- الگوریتم فدرال سفارشی با بهینه سازهای TFF نحوه استفاده از
tff.learning.optimizers
را برای ایجاد یک فرآیند تکراری سفارشی برای میانگین گیری فدرال نشان می دهد. - الگوریتم های فدرال سفارشی، بخش 1: مقدمه ای بر هسته فدرال و قسمت 2: پیاده سازی میانگین گیری فدرال ، مفاهیم کلیدی و رابط های ارائه شده توسط API هسته مرکزی (FC API) را معرفی می کند.
- پیادهسازی تجمیعهای سفارشی ، اصول طراحی پشت ماژول
tff.aggregators
و بهترین روشها را برای پیادهسازی تجمیع سفارشی مقادیر از مشتری به سرور توضیح میدهد.
بهترین روش های شبیه سازی
شبیهسازیهای با کارایی بالا با Kubernetes نحوه راهاندازی و پیکربندی یک زمان اجرا TFF با کارایی بالا در Kubernetes را توضیح میدهد.
شبیهسازی TFF با شتابدهندهها (GPU) نشان میدهد که چگونه میتوان از زمان اجرا با کارایی بالا TFF با پردازندههای گرافیکی استفاده کرد.
کار با ClientData بهترین شیوه ها را برای ادغام مجموعه داده های شبیه سازی مبتنی بر ClientData TFF در محاسبات TFF ارائه می دهد.
آموزش های متوسط و پیشرفته
تولید نویز تصادفی به برخی نکات ظریف در استفاده از تصادفی بودن در محاسبات غیرمتمرکز اشاره می کند و بهترین شیوه ها و الگوهای پیشنهادی را پیشنهاد می کند.
ارسال دادههای مختلف به مشتریان خاص با tff.federated_select
tff.federated_select
tff.federated_select را معرفی میکند و یک مثال ساده از یک الگوریتم فدرال سفارشی ارائه میدهد که دادههای مختلف را به مشتریان مختلف ارسال میکند.یادگیری فدرال مدل بزرگ کارآمد از طریق federated_select و تجمیع پراکنده نشان می دهد که چگونه می توان از TFF برای آموزش یک مدل بسیار بزرگ استفاده کرد که در آن هر دستگاه مشتری فقط بخش کوچکی از مدل را دانلود و به روز می کند، با استفاده از
tff.federated_select
و انجماد پراکنده.TFF برای تحقیقات یادگیری فدرال: فشردهسازی مدل و بهروزرسانی نشان میدهد که چگونه تجمیعهای سفارشی که بر روی tensor_encoding API میتوانند در TFF استفاده شوند.
آموزش فدرال با حریم خصوصی دیفرانسیل در TFF نحوه استفاده از TFF برای آموزش مدل هایی با حریم خصوصی دیفرانسیل در سطح کاربر را نشان می دهد.
بارگیری داده از راه دور با TFF نحوه جاسازی منطق سفارشی در زمان اجرا TFF برای بارگیری داده ها در ماشین های راه دور را توضیح می دهد.
پشتیبانی از JAX در TFF نشان میدهد که چگونه میتوان از محاسبات JAX در TFF استفاده کرد و نشان میدهد که چگونه TFF طراحی شده است تا بتواند با سایر فریمورکهای ML frontend و backend همکاری کند.