TensorFlow Verbund-Tutorials

Diese colab-basierten Tutorien gehen Sie durch die wichtigsten TFF Konzepte und APIs anhand von praktischen Beispielen. Referenzdokumentation in den finden TFF Führungen .

Erste Schritte mit föderiertem Lernen

• Federated Learning für Bildklassifizierung werden die wesentlichen Teile des Federated Learning (FL) API, und zeigt , wie TFF verwenden föderierten Lernen zu simulieren auf föderierte MNIST artige Daten.

• Federated Learning für Texterstellung zeigt weiter , wie TFF FL - API verwenden , um eine serialisierte vortrainiert Modell für eine Sprachmodellierung Aufgabe zu verfeinern.

• Tuning empfohlen Aggregationen für das tff.learning Lernen zeigt , wie die Grund FL Berechnungen in tff.learning können mit spezialisierten Aggregation Routinen bietet Robustheit, Differential Privatsphäre, Kompression und mehr kombiniert werden.

Benutzerdefinierte föderierte Berechnungen schreiben

• Eigenbau Federated Lernalgorithmus zeigt , wie die TFF - Core - APIs verwenden föderierten Lernalgorithmen zu implementieren, mit Federated Averaging als Beispiel.
• Benutzerdefinierte Federated Algorithmus mit TFF Optimizers zeigt , wie die Verwendung tff.learning.optimizers einen benutzerdefinierten iterativen Prozess für Federated Averaging zu bauen.
• Benutzerdefinierte Federated Algorithmen, Teil 1: Einführung in die Federated - Core und Teil 2: Implementieren von Federated Averaging einzuführen , um die Schlüsselkonzepte und angebotenen Schnittstellen durch die Federated Core - API (FC API).
• Implementieren von tff.aggregators benutzerdefinierten Aggregationen erklären die Design - Prinzipien hinter dem tff.aggregators Modul und Best Practices für die Implementierung kundenspezifische Aggregation von Werten von Clients zum Server.

Best Practices für Simulationen

• High-Performance - Simulationen mit TFF beschreiben , wie zum Einrichten und Konfigurieren der hohen Leistung TFF Laufzeit.

• TFF - Simulation mit Beschleunigern (GPU) zeigt , wie TFF Hochleistungslaufzeit kann mit GPUs verwendet werden.

• Arbeiten mit Clientdata bietet Best Practices für die Integration von TFF der Clientdata basierte Simulation Datensätze in TFF Berechnungen.

Fortgeschrittene und Fortgeschrittene Tutorials

• Random Noise Generation weist darauf hin , einige subtlities mit der Verwendung von Zufälligkeit in dezentralen Berechnungen und schlägt Best Practices und Muster empfehlen.

• Senden Verschiedene Daten an bestimmte Kunden mit tff.federated_select führt den tff.federated_select Operator und gibt ein einfaches Beispiel eines benutzerdefinierten föderierten Algorithmus, der verschiedene Daten an verschiedene Kunden sendet.

• Client effiziente Groß Modell föderieren Lernen über federated_select und spärliche Aggregation zeigt , wie TFF verwendet werden kann , ein sehr großes Modell , bei dem jedes Client - Gerät nur Downloads und Updates einen kleinen Teil des Modells zu trainieren, mit tff.federated_select und Sparse - Aggregation.

• TFF für Federated Learning Research: Modell und aktualisieren Kompression zeigt , wie benutzerdefinierte Aggregationen auf dem Bau tensor_encoding API kann in TFF verwendet werden.

• Federated Lernen mit Differential Privacy in TFF zeigt , wie TFF verwenden zu trainieren Modelle mit User-Level - Differential Privatsphäre.

• Experimentelle Unterstützung für JAX in TFF zeigt , wie JAX Berechnungen können in TFF verwendet werden, die zeigen , wie TFF ausgelegt ist, um mit anderen Frontend zusammenarbeiten und Back - End - ML - Frameworks.