מדריכים אלה מבוססי קולב מובילים אותך דרך המושגים והממשקי API העיקריים של TFF תוך שימוש בדוגמאות מעשיות. ניתן למצוא תיעוד עיון במדריכי TFF .
תחילת העבודה עם למידה מאוחדת
- Federated Learning לסיווג תמונות מציג את חלקי המפתח של ה-API של Federated Learning (FL), ומדגים כיצד להשתמש ב-TFF כדי לדמות למידה מאוחדת על נתונים מאוחדים דמויי MNIST.
- Federated Learning ליצירת טקסט מדגים עוד כיצד להשתמש ב-FL API של TFF כדי לחדד מודל מיומן מראש בסידרה עבור משימת דוגמנות שפה.
- כוונון צבירה מומלצת ללמידה מראה כיצד ניתן לשלב את חישובי ה-FL הבסיסיים ב-
tff.learningעם שגרות צבירה מיוחדות המציעות חוסן, פרטיות דיפרנציאלית, דחיסה ועוד. - שחזור מאוחד עבור פקטוריזציה של מטריקס מציג למידה מאוחדת מקומית חלקית, שבה חלק מפרמטרי לקוח לעולם אינם מצטברים בשרת. המדריך מדגים כיצד להשתמש ב-Federated Learning API כדי להכשיר מודל של פירוק מטריצה מקומי חלקית.
תחילת העבודה עם ניתוח מאוחד
- Private Heavy Hitters מראה כיצד להשתמש ב-
tff.analytics.heavy_hittersכדי לבנות חישוב אנליטי מאוחד לגילוי פוגעים פרטיים.
כתיבת חישובים מאוחדים מותאמים אישית
- בניית אלגוריתם למידה מאוחדת משלך מראה כיצד להשתמש ב-TFF Core APIs כדי ליישם אלגוריתמי למידה מאוחדים, תוך שימוש בממוצע מאוחד כדוגמה.
- חיבור אלגוריתמי למידה מראה כיצד להשתמש ב-TFF Learning API כדי ליישם בקלות אלגוריתמי למידה מאוחדים חדשים, במיוחד גרסאות של ממוצע מאוחד.
- אלגוריתם מותאם אישית עם TFF Optimizers מראה כיצד להשתמש ב-
tff.learning.optimizersכדי לבנות תהליך איטרטיבי מותאם אישית עבור ממוצע מאוחד. - אלגוריתמים פדרליים מותאמים אישית, חלק 1: מבוא לליבה הפדרתית וחלק 2: יישום ממוצע פדרלי מציגים את המושגים והממשקים המרכזיים המוצעים על ידי ה-Federated Core API (FC API).
- יישום צבירות מותאמות אישית מסביר את עקרונות העיצוב מאחורי מודול
tff.aggregatorsושיטות עבודה מומלצות ליישום צבירת ערכים מותאמת אישית מלקוחות לשרת.
שיטות עבודה מומלצות לסימולציה
סימולציות בעלות ביצועים גבוהים עם Kubernetes מתארות כיצד להגדיר ולהגדיר זמן ריצה TFF בעל ביצועים גבוהים הפועל על Kubernetes.
הדמיית TFF עם מאיצים (GPU) מראה כיצד ניתן להשתמש בזמן הריצה בעל הביצועים הגבוהים של TFF עם GPUs.
עבודה עם ClientData מעניקה שיטות עבודה מומלצות לשילוב מערכי סימולציה מבוססי ClientData של TFF בחישובי TFF.
הדרכות ביניים ומתקדמים
יצירת רעש אקראי מצביע על כמה דקויות בשימוש באקראיות בחישובים מבוזרים, ומציע שיטות עבודה מומלצות ודפוסים ממליצים.
שליחת נתונים שונים ללקוחות מסוימים עם tff.federated_select מציגה את האופרטור
tff.federated_selectונותנת דוגמה פשוטה של אלגוריתם מאוחד מותאם אישית ששולח נתונים שונים ללקוחות שונים.למידה מאוחדת יעילה במודלים גדולים באמצעות federated_select ו-sparse aggregation מראה כיצד ניתן להשתמש ב-TFF כדי לאמן מודל גדול מאוד שבו כל מכשיר לקוח מוריד ומעדכן רק חלק קטן מהמודל, באמצעות
tff.federated_selectו-parse aggregation.TFF for Federated Learning Research: דחיסת מודלים ועדכון מדגים כיצד ניתן להשתמש בצבירה מותאמות אישית הנבנות על ממשק API של tensor_encoding ב-TFF.
למידה מאוחדת עם פרטיות דיפרנציאלית ב-TFF מדגים כיצד להשתמש ב-TFF כדי להכשיר מודלים עם פרטיות דיפרנציאלית ברמת המשתמש.
תמיכה ניסיונית ב-JAX ב-TFF מראה כיצד ניתן להשתמש בחישובי JAX ב-TFF, ומדגימה כיצד TFF מתוכנן להיות מסוגל לפעול יחד עם מסגרות ML קדמיות ו-backend אחרות.