Diese colab-basierten Tutorials führen Sie anhand praktischer Beispiele durch die wichtigsten TFF-Konzepte und APIs. Referenzdokumentation finden Sie in den TFF-Leitfäden .
Erste Schritte mit föderiertem Lernen
- Federated Learning für die Bildklassifizierung stellt die wichtigsten Teile der Federated Learning (FL)-API vor und zeigt, wie TFF verwendet wird, um föderiertes Lernen für föderierte MNIST-ähnliche Daten zu simulieren.
Federated Learning für die Textgenerierung zeigt außerdem, wie die FL-API von TFF verwendet wird, um ein serialisiertes vortrainiertes Modell für eine Sprachmodellierungsaufgabe zu verfeinern.
Die Optimierung empfohlener Aggregationen für das Lernen zeigt, wie die grundlegenden FL-Berechnungen in
tff.learningmit spezialisierten Aggregationsroutinen kombiniert werden können, die Robustheit, unterschiedlichen Datenschutz, Komprimierung und mehr bieten.
Erste Schritte beim Schreiben von benutzerdefinierten föderierten Berechnungen
- Aufbau Ihres eigenen föderierten Lernalgorithmus zeigt, wie Sie die TFF-Kern-APIs verwenden, um föderierte Lernalgorithmen zu implementieren, am Beispiel von Federated Averaging.
Best Practices für Simulationen
Hochleistungssimulationen mit TFF beschreibt die Einrichtung und Konfiguration der Hochleistungs-TFF-Laufzeit.
Die TFF-Simulation mit Beschleunigern (GPU) zeigt, wie die leistungsstarke Laufzeit von TFF mit GPUs genutzt 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
Implementieren von benutzerdefinierten Aggregationen erläutert die Entwurfsprinzipien des Moduls
tff.aggregatorsund bewährte Verfahren für die Implementierung benutzerdefinierter Aggregationen von Werten von Clients zum Server.Die zufällige Rauschgenerierung weist auf einige Feinheiten bei der Verwendung von Zufälligkeit in dezentralen Berechnungen hin und schlägt Best Practices und empfohlene Muster vor.
Senden Verschiedene Daten an bestimmte Kunden mit tff.federated_select führt den
tff.federated_selectOperator und gibt ein einfaches Beispiel eines benutzerdefinierten föderierten Algorithmus, der verschiedene Daten an verschiedene Kunden sendet.Client-effizientes föderiertes Lernen mit großen Modellen über federated_select und Sparse Aggregation zeigt, wie TFF verwendet werden kann, um ein sehr großes Modell zu trainieren, bei dem jedes
tff.federated_selectnur einen kleinen Teil des Modells herunterlädt und aktualisiert, indemtff.federated_selectund Sparse Aggregation verwendet werden.TFF for Federated Learning Research: Model and Update Compression demonstriert, wie benutzerdefinierte Aggregationen, die auf der tensor_encoding-API aufbauen , in TFF verwendet werden können.
Benutzerdefinierte Federated-Algorithmen, Teil 1: Einführung in den Federated Core und Teil 2: Implementieren von Federated Averaging stellen die Schlüsselkonzepte und Schnittstellen vor, die von der Federated Core API (FC API) angeboten werden.
Die experimentelle Unterstützung für JAX in TFF zeigt, wie JAX- Berechnungen in TFF verwendet werden können, und demonstriert, wie TFF entworfen wurde, um mit anderen Front-End- und Back-End-ML-Frameworks zusammenarbeiten zu können.