Questi tutorial basati su collaborazioni ti guidano attraverso i principali concetti e API di TFF utilizzando esempi pratici. La documentazione di riferimento è reperibile nelle guide TFF .
Iniziare con l'apprendimento federato
- L'apprendimento federato per la classificazione delle immagini introduce le parti principali dell'API Federated Learning (FL) e dimostra come utilizzare TFF per simulare l'apprendimento federato su dati federati di tipo MNIST.
- L'apprendimento federato per la generazione di testo dimostra ulteriormente come utilizzare l'API FL di TFF per perfezionare un modello pre-addestrato serializzato per un'attività di modellazione del linguaggio.
- L'ottimizzazione delle aggregazioni consigliate per l'apprendimento mostra come i calcoli FL di base in
tff.learning
possono essere combinati con routine di aggregazione specializzate che offrono robustezza, privacy differenziale, compressione e altro ancora. - La ricostruzione federata per la fattorizzazione di matrici introduce l'apprendimento federato parzialmente locale, in cui alcuni parametri del client non vengono mai aggregati sul server. Il tutorial dimostra come utilizzare la Federated Learning API per addestrare un modello di fattorizzazione di matrice parzialmente locale.
Iniziare con l'analisi federata
- Private Heavy Hitters mostra come utilizzare
tff.analytics.heavy_hitters
per creare un calcolo analitico federato per scoprire i heavy hitters privati.
Scrittura di calcoli federati personalizzati
- Costruire il tuo algoritmo di apprendimento federato mostra come utilizzare le API TFF Core per implementare algoritmi di apprendimento federato, utilizzando la media federata come esempio.
- La composizione degli algoritmi di apprendimento mostra come utilizzare l'API di apprendimento TFF per implementare facilmente nuovi algoritmi di apprendimento federati, in particolare le varianti della media federata.
- Algoritmi federati personalizzati, Parte 1: Introduzione al Federated Core e Parte 2: Implementazione della media federata introducono i concetti chiave e le interfacce offerte dall'API Federated Core (API FC).
- L'implementazione delle aggregazioni personalizzate spiega i principi di progettazione alla base del modulo
tff.aggregators
e le migliori pratiche per implementare l'aggregazione personalizzata di valori dai client al server.
Migliori pratiche di simulazione
La simulazione TFF con acceleratori (GPU) mostra come il runtime ad alte prestazioni di TFF può essere utilizzato con le GPU.
Lavorare con ClientData fornisce le migliori pratiche per integrare i set di dati di simulazione basati su ClientData di TFF nei calcoli TFF.
Tutorial intermedi e avanzati
La generazione di rumore casuale evidenzia alcune sottigliezze legate all'uso della casualità nei calcoli decentralizzati, propone le migliori pratiche e consiglia modelli.
Invio di dati diversi a client specifici con tff.federated_select introduce l'operatore
tff.federated_select
e fornisce un semplice esempio di un algoritmo federato personalizzato che invia dati diversi a client diversi.L'apprendimento federato di modelli di grandi dimensioni efficiente per il client tramite federated_select e aggregazione sparsa mostra come TFF può essere utilizzato per addestrare un modello molto grande in cui ciascun dispositivo client scarica e aggiorna solo una piccola parte del modello, utilizzando
tff.federated_select
e aggregazione sparsa.L'apprendimento federato con privacy differenziale in TFF illustra come utilizzare TFF per addestrare modelli con privacy differenziale a livello di utente.