ये कोलाब-आधारित ट्यूटोरियल व्यावहारिक उदाहरणों का उपयोग करके आपको मुख्य TFF अवधारणाओं और API के बारे में बताते हैं। संदर्भ दस्तावेज TFF गाइड में पाया जा सकता है।
फ़ेडरेटेड लर्निंग के साथ शुरुआत करना
- इमेज क्लासिफिकेशन के लिए फ़ेडरेटेड लर्निंग फ़ेडरेटेड लर्निंग (FL) API के प्रमुख भागों का परिचय देता है, और फ़ेडरेटेड MNIST- जैसे डेटा पर फ़ेडरेटेड लर्निंग का अनुकरण करने के लिए TFF का उपयोग करने का तरीका प्रदर्शित करता है।
- टेक्स्ट जनरेशन के लिए फ़ेडरेटेड लर्निंग आगे प्रदर्शित करता है कि किसी भाषा मॉडलिंग कार्य के लिए क्रमबद्ध पूर्व-प्रशिक्षित मॉडल को परिशोधित करने के लिए TFF के FL API का उपयोग कैसे किया जाए।
- सीखने के लिए सुझाए गए एकत्रीकरण को ट्यून करने से पता चलता है कि कैसे
tff.learningमें बुनियादी FL संगणनाओं को विशेष एकत्रीकरण रूटीन के साथ जोड़ा जा सकता है जो मजबूती, अंतर गोपनीयता, संपीड़न, और बहुत कुछ प्रदान करता है। - मैट्रिक्स फैक्टराइजेशन के लिए फेडरेटेड रिकंस्ट्रक्शन आंशिक रूप से स्थानीय फेडरेटेड 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 कारककरण मॉडल को प्रशिक्षित करने के लिए फ़ेडरेटेड लर्निंग एपीआई का उपयोग कैसे करें।
कस्टम फ़ेडरेटेड संगणनाएँ लिखना
- अपनी खुद की फ़ेडरेटेड लर्निंग एल्गोरिथम का निर्माण एक उदाहरण के रूप में फ़ेडरेटेड एवरेजिंग का उपयोग करके फ़ेडरेटेड लर्निंग एल्गोरिदम को लागू करने के लिए TFF कोर एपीआई का उपयोग करने का तरीका दिखाता है।
- लर्निंग एल्गोरिदम की रचना से पता चलता है कि नए फ़ेडरेटेड लर्निंग एल्गोरिदम को आसानी से लागू करने के लिए TFF लर्निंग एपीआई का उपयोग कैसे करें, विशेष रूप से फ़ेडरेटेड एवरेजिंग के वेरिएंट।
- TFF ऑप्टिमाइज़र के साथ कस्टम फ़ेडरेटेड एल्गोरिथम दिखाता है कि फ़ेडरेटेड एवरेजिंग के लिए एक कस्टम पुनरावृत्ति प्रक्रिया बनाने के लिए
tff.learning.optimizersका उपयोग कैसे करें। - कस्टम फ़ेडरेटेड एल्गोरिदम, भाग 1: फ़ेडरेटेड कोर का परिचय और भाग 2: फ़ेडरेटेड एवरेजिंग को लागू करना फ़ेडरेटेड कोर एपीआई (एफसी एपीआई) द्वारा पेश की जाने वाली प्रमुख अवधारणाओं और इंटरफेस का परिचय देता है।
- कस्टम एग्रीगेशन लागू करना
tff.aggregatorsमॉड्यूल के पीछे के डिज़ाइन सिद्धांतों और क्लाइंट से सर्वर तक मूल्यों के कस्टम एग्रीगेशन को लागू करने के लिए सर्वोत्तम अभ्यासों की व्याख्या करता है।
सिमुलेशन सर्वोत्तम अभ्यास
त्वरक (जीपीयू) के साथ टीएफएफ सिमुलेशन दिखाता है कि जीपीयू के साथ टीएफएफ के उच्च-प्रदर्शन रनटाइम का उपयोग कैसे किया जा सकता है।
ClientData के साथ कार्य करना TFF के ClientData- आधारित सिमुलेशन डेटासेट को TFF संगणनाओं में एकीकृत करने के लिए सर्वोत्तम अभ्यास देता है।
इंटरमीडिएट और उन्नत ट्यूटोरियल
यादृच्छिक शोर पीढ़ी विकेंद्रीकृत संगणनाओं में यादृच्छिकता का उपयोग करने के साथ कुछ सूक्ष्मताओं को इंगित करती है, और सर्वोत्तम प्रथाओं का प्रस्ताव करती है और पैटर्न की सिफारिश करती है।
tff.federated_select के साथ विशेष ग्राहकों को अलग-अलग डेटा भेजना
tff.federated_selectऑपरेटर का परिचय देता है और एक कस्टम फ़ेडरेटेड एल्गोरिदम का एक सरल उदाहरण देता है जो अलग-अलग क्लाइंट को अलग-अलग डेटा भेजता है।फ़ेडरेटेड_सेलेक्ट और स्पार्स एकत्रीकरण के माध्यम से क्लाइंट-कुशल बड़े-मॉडल फ़ेडरेटेड लर्निंग से पता चलता है कि कैसे TFF का उपयोग एक बहुत बड़े मॉडल को प्रशिक्षित करने के लिए किया जा सकता है जहाँ प्रत्येक क्लाइंट डिवाइस केवल
tff.federated_selectऔर स्पार्स एकत्रीकरण का उपयोग करके मॉडल के एक छोटे हिस्से को डाउनलोड और अपडेट करता है।फ़ेडरेटेड लर्निंग रिसर्च के लिए TFF: मॉडल और अपडेट कंप्रेशन दर्शाता है कि कैसे Tensor_encoding API पर बनने वाले कस्टम एकत्रीकरण का उपयोग TFF में किया जा सकता है।
टीएफएफ में डिफरेंशियल प्राइवेसी के साथ फेडरेटेड लर्निंग दर्शाता है कि यूजर-लेवल डिफरेंशियल प्राइवेसी के साथ मॉडल को प्रशिक्षित करने के लिए टीएफएफ का उपयोग कैसे किया जाए।
TFF में JAX के लिए समर्थन दिखाता है कि TFF में JAX संगणनाओं का उपयोग कैसे किया जा सकता है, यह प्रदर्शित करता है कि TFF को अन्य फ्रंटएंड और बैकएंड एमएल फ्रेमवर्क के साथ इंटरऑपरेट करने में सक्षम होने के लिए कैसे डिज़ाइन किया गया है।