Tutorial berbasis colab ini memandu Anda memahami konsep dan API TFF utama menggunakan contoh praktis. Dokumentasi referensi dapat ditemukan di panduan TFF .
Memulai pembelajaran gabungan
- Pembelajaran Federasi untuk klasifikasi gambar memperkenalkan bagian-bagian penting dari API Pembelajaran Federasi (FL), dan menunjukkan cara menggunakan TFF untuk mensimulasikan pembelajaran gabungan pada data seperti MNIST gabungan.
- Pembelajaran Federasi untuk pembuatan teks lebih lanjut menunjukkan cara menggunakan API FL TFF untuk menyempurnakan model pra-terlatih serial untuk tugas pemodelan bahasa.
- Menyesuaikan agregasi yang direkomendasikan untuk pembelajaran menunjukkan bagaimana perhitungan FL dasar di
tff.learning
dapat dikombinasikan dengan rutinitas agregasi khusus yang menawarkan ketahanan, privasi diferensial, kompresi, dan banyak lagi. - Rekonstruksi Federasi untuk Faktorisasi Matriks memperkenalkan pembelajaran gabungan lokal sebagian, di mana beberapa parameter klien tidak pernah dikumpulkan di server. Tutorial mendemonstrasikan cara menggunakan Federated Learning API untuk melatih model faktorisasi matriks lokal sebagian.
Memulai analitik gabungan
- Pemukul Berat Pribadi menunjukkan cara menggunakan
tff.analytics.heavy_hitters
untuk membangun komputasi analitik gabungan untuk menemukan pemukul berat pribadi.
Menulis perhitungan federasi khusus
- Membangun Algoritma Pembelajaran Federasi Anda Sendiri menunjukkan cara menggunakan TFF Core APIs untuk mengimplementasikan algoritma pembelajaran gabungan, menggunakan Federated Averaging sebagai contoh.
- Composing Learning Algorithms menunjukkan cara menggunakan TFF Learning API untuk mengimplementasikan algoritma federated learning baru dengan mudah, terutama varian Federated Averaging.
- Algoritma Gabungan Khusus dengan Pengoptimal TFF menunjukkan cara menggunakan
tff.learning.optimizers
untuk membangun proses berulang khusus untuk Rata-Rata Federasi. - Algoritma Federated Kustom, Bagian 1: Pengantar Federated Core dan Bagian 2: Menerapkan Federated Averaging memperkenalkan konsep dan antarmuka utama yang ditawarkan oleh Federated Core API (FC API).
- Menerapkan Agregasi Kustom menjelaskan prinsip desain di balik modul
tff.aggregators
dan praktik terbaik untuk menerapkan agregasi kustom nilai dari klien ke server.
Praktik terbaik simulasi
Simulasi performa tinggi dengan Kubernetes menjelaskan cara menyiapkan dan mengonfigurasi runtime TFF performa tinggi yang berjalan di Kubernetes.
Simulasi TFF dengan akselerator (GPU) menunjukkan bagaimana runtime performa tinggi TFF dapat digunakan dengan GPU.
Bekerja dengan ClientData memberikan praktik terbaik untuk mengintegrasikan set data simulasi berbasis ClientData TFF ke dalam perhitungan TFF.
Tutorial menengah dan lanjutan
Generasi kebisingan acak menunjukkan beberapa kehalusan dengan menggunakan keacakan dalam perhitungan terdesentralisasi, dan mengusulkan praktik terbaik dan merekomendasikan pola.
Mengirim Data Berbeda ke Klien Tertentu Dengan tff.federated_select memperkenalkan operator
tff.federated_select
dan memberikan contoh sederhana dari algoritma federasi khusus yang mengirimkan data berbeda ke klien berbeda.Pembelajaran federasi model besar yang efisien-klien melalui federated_select dan agregasi sparse menunjukkan bagaimana TFF dapat digunakan untuk melatih model yang sangat besar di mana setiap perangkat klien hanya mengunduh dan memperbarui sebagian kecil model, menggunakan
tff.federated_select
dan agregasi sparse.TFF for Federated Learning Research: Model dan Update Compression menunjukkan bagaimana agregasi kustom yang dibangun di tensor_encoding API dapat digunakan di TFF.
Pembelajaran Terpadu dengan Privasi Diferensial di TFF menunjukkan cara menggunakan TFF untuk melatih model dengan privasi diferensial tingkat pengguna.
Memuat Data Jarak Jauh dengan TFF menjelaskan cara menyematkan logika khusus dalam waktu proses TFF untuk memuat data pada mesin jarak jauh.
Dukungan untuk JAX di TFF menunjukkan bagaimana komputasi JAX dapat digunakan di TFF, menunjukkan bagaimana TFF dirancang untuk dapat beroperasi dengan kerangka kerja ML frontend dan backend lainnya.