TensorFlow Birleştirilmiş Eğitimleri

Bu ortak çalışma tabanlı eğiticiler, pratik örnekler kullanarak ana TFF kavramları ve API'leri konusunda size yol gösterir. Referans belgeler TFF kılavuzlarında bulunabilir.

Birleşik öğrenimi kullanmaya başlama

• Görüntü sınıflandırması için Federated Learning, Federated Learning (FL) API'sinin önemli kısımlarını tanıtır ve birleşik MNIST benzeri veriler üzerinde birleşik öğrenmeyi simüle etmek için TFF'nin nasıl kullanılacağını gösterir.
• Metin üretimi için Federated Learning, bir dil modelleme görevi için serileştirilmiş önceden eğitilmiş bir modeli geliştirmek için TFF'nin FL API'sinin nasıl kullanılacağını ayrıca gösterir.
• Öğrenme için önerilen toplamaların ayarlanması , tff.learning temel FL hesaplamalarının sağlamlık, farklı gizlilik, sıkıştırma ve daha fazlasını sunan özel toplama rutinleriyle nasıl birleştirilebileceğini gösterir.
• Matrix Factorization için Federated Reconstruction , bazı istemci parametrelerinin hiçbir zaman sunucuda toplanmadığı, kısmen yerel birleştirilmiş öğrenmeyi sunar. Öğretici, kısmen yerel bir matris çarpanlara ayırma modelini eğitmek için Federated Learning API'nin nasıl kullanılacağını gösterir.

Birleşik analitiği kullanmaya başlama

• Private Heavy Hitters , özel ağır vurucuları keşfetmek için birleşik bir analitik hesaplaması oluşturmak için tff.analytics.heavy_hitters nasıl kullanılacağını gösterir.

Özel birleşik hesaplamalar yazma

• Kendi Federated Learning Algoritmanızı Oluşturmak , örnek olarak Federated Averaging kullanarak federe öğrenme algoritmalarını uygulamak için TFF Core API'lerinin nasıl kullanılacağını gösterir.
• Öğrenme Algoritmaları Oluşturma , yeni birleşik öğrenme algoritmalarını, özellikle de Birleşik Ortalamanın türevlerini kolayca uygulamak için TFF Öğrenme API'sinin nasıl kullanılacağını gösterir.
• TFF Optimize Ediciler ile Özel Birleşik Algoritma, Birleşik Ortalama için özel bir yinelemeli süreç oluşturmak üzere tff.learning.optimizers nasıl kullanılacağını gösterir.
• Özel Birleşik Algoritmalar, Bölüm 1: Federe Çekirdeğe Giriş ve Bölüm 2: Birleşik Ortalamanın Uygulanması , Federated Core API (FC API) tarafından sunulan temel kavramları ve arayüzleri tanıtmaktadır.
• Özel Toplamaları Uygulamak , tff.aggregators modülünün arkasındaki tasarım ilkelerini ve istemcilerden sunucuya özel değer toplamayı uygulamaya yönelik en iyi uygulamaları açıklar.

Simülasyon en iyi uygulamaları

• Kubernetes ile yüksek performanslı simülasyonlar, Kubernetes üzerinde çalışan yüksek performanslı bir TFF çalışma zamanının nasıl kurulacağını ve yapılandırılacağını açıklar.

• Hızlandırıcılı (GPU) TFF simülasyonu, TFF'nin yüksek performanslı çalışma zamanının GPU'larla nasıl kullanılabileceğini gösterir.

• ClientData ile çalışmak , TFF'nin ClientData tabanlı simülasyon veri kümelerini TFF hesaplamalarına entegre etmek için en iyi uygulamaları sağlar.

Orta ve ileri düzey eğitimler

• Rastgele gürültü üretimi , merkezi olmayan hesaplamalarda rastgeleliğin kullanılmasıyla ilgili bazı inceliklere işaret eder ve en iyi uygulamaları önerir ve kalıpları önerir.

• Belirli İstemcilere Farklı Veriler Gönderme tff.federated_select ile tff.federated_select işlecini tff.federated_select ve farklı istemcilere farklı veriler gönderen özel bir birleşik algoritmanın basit bir örneğini verir.

• federated_select ve seyrek toplama yoluyla istemci açısından verimli büyük model federe öğrenme , TFF'nin, her istemci cihazının tff.federated_select ve seyrek toplama kullanarak modelin yalnızca küçük bir bölümünü indirdiği ve güncellediği çok büyük bir modeli eğitmek için nasıl kullanılabileceğini gösterir.

• Federe Öğrenim Araştırması için TFF: Model ve Güncelleme Sıkıştırması , tensor_encoding API'sinde oluşturulan özel toplamaların TFF'de nasıl kullanılabileceğini gösterir.

• TFF'de Diferansiyel Gizliliğe Sahip Birleştirilmiş Öğrenim, kullanıcı düzeyinde diferansiyel gizliliğe sahip modelleri eğitmek için TFF'nin nasıl kullanılacağını gösterir.

• TFF'de JAX için deneysel destek, JAX hesaplamalarının TFF'de nasıl kullanılabileceğini gösterir ve TFF'nin diğer ön uç ve arka uç ML çerçeveleriyle birlikte çalışabilmek için nasıl tasarlandığını gösterir.