Diese auf Colab basierenden Tutorials führen Sie anhand praktischer Beispiele durch die wichtigsten TFF-Konzepte und -APIs. Referenzdokumentation finden Sie in den TFF-Handbüchern .
Erste Schritte mit föderiertem Lernen
- Federated Learning für die Bildklassifizierung führt in die wichtigsten Teile der FL-API (Federated Learning) ein und zeigt, wie TFF verwendet wird, um Verbundlernen für MNIST-ähnliche Verbunddaten zu simulieren.
Federated Learning für die Textgenerierung zeigt weiter, wie die FL-API von TFF verwendet wird, um ein serialisiertes vorab trainiertes Modell für eine Sprachmodellierungsaufgabe zu verfeinern.
Das Optimieren der empfohlenen Aggregationen für das Lernen zeigt, wie die grundlegenden FL-Berechnungen in
tff.learningmit speziellen Aggregationsroutinen kombiniert werden können, die Robustheit, unterschiedliche Privatsphäre, Komprimierung und mehr bieten.
Erste Schritte beim Schreiben von benutzerdefinierten Verbundberechnungen
- Das Erstellen eines eigenen Verbundlernalgorithmus zeigt am Beispiel der Verbundmittelung , wie die TFF-Kern-APIs zum Implementieren von Verbundlernalgorithmen verwendet werden.
Best Practices für die Simulation
Hochleistungssimulationen mit TFF beschreiben, wie die Hochleistungs-TFF-Laufzeit eingerichtet und konfiguriert wird.
Die TFF-Simulation mit Beschleunigern (GPU) zeigt, wie die Hochleistungslaufzeit von TFF mit GPUs verwendet werden kann.
Die Arbeit mit ClientData bietet Best Practices für die Integration der ClientData- basierten Simulationsdatensätze von TFF in TFF-Berechnungen.
Fortgeschrittene und fortgeschrittene Tutorials
Durch das Implementieren benutzerdefinierter Aggregationen werden die Entwurfsprinzipien hinter dem Modul
tff.aggregatorssowie bewährte Methoden zum Implementieren der benutzerdefinierten Aggregation von Werten von Clients zu Server erläutert.Die zufällige Rauschgenerierung weist auf einige Feinheiten bei der Verwendung von Zufälligkeit bei dezentralen Berechnungen hin und schlägt Best Practices vor und empfiehlt Muster.
TFF für Federated Learning Research: Modell- und Aktualisierungskomprimierung zeigt, wie benutzerdefinierte Aggregationen, die auf der tensor_encoding-API aufbauen , in TFF verwendet werden können.
Benutzerdefinierte Verbundalgorithmen, Teil 1: Einführung in den Verbundkern und Teil 2: Implementierung der Verbundmittelung stellen die wichtigsten Konzepte und Schnittstellen vor, die von der Federated Core API (FC API) angeboten werden.
Die experimentelle Unterstützung von JAX in TFF zeigt, wie JAX- Berechnungen in TFF verwendet werden können, und zeigt, wie TFF so konzipiert ist, dass es mit anderen Frontend- und Backend-ML-Frameworks zusammenarbeiten kann.