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 intff.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 demtff.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.