Samouczki sfederowane TensorFlow

Te oparte na współpracy samouczki przeprowadzą Cię przez główne koncepcje TFF i interfejsy API przy użyciu praktycznych przykładów. Dokumentację referencyjną można znaleźć w przewodnikach TFF .

Rozpoczęcie nauki sfederowanej

• Nauczanie federacyjne na potrzeby klasyfikacji obrazów przedstawia kluczowe elementy interfejsu API uczenia federacyjnego (FL) i pokazuje, jak używać TFF do symulowania uczenia federacyjnego na danych podobnych do federacji MNIST.
• Sfederowane nauczanie dotyczące generowania tekstu dodatkowo pokazuje, jak używać interfejsu API FL w TFF do udoskonalania serializowanego, wstępnie wytrenowanego modelu do zadania modelowania języka.
• Dostrajanie zalecanych agregacji na potrzeby uczenia pokazuje, w jaki sposób podstawowe obliczenia FL w tff.learning można połączyć ze specjalistycznymi procedurami agregacji oferującymi niezawodność, prywatność różnicową, kompresję i inne.
• Federacyjna rekonstrukcja na potrzeby faktoryzacji macierzy wprowadza częściowo lokalne uczenie federacyjne, w którym niektóre parametry klienta nigdy nie są agregowane na serwerze. W samouczku pokazano, jak używać interfejsu API Federated Learning do trenowania częściowo lokalnego modelu faktoryzacji macierzy.

Pierwsze kroki z analityką federacyjną

• Private Heavy Hitters pokazuje, jak używać tff.analytics.heavy_hitters do tworzenia sfederowanych obliczeń analitycznych w celu wykrywania prywatnych silnych ciosów.

Pisanie niestandardowych obliczeń sfederowanych

• Budowanie własnego algorytmu sfederowanego uczenia się pokazuje, jak używać podstawowych interfejsów API TFF do implementowania algorytmów sfederowanego uczenia się, na przykładzie uśredniania sfederowanego.
• Komponowanie algorytmów uczenia się pokazuje, jak używać interfejsu API uczenia TFF do łatwego wdrażania nowych algorytmów uczenia sfederowanego, zwłaszcza wariantów uśredniania sfederowanego.
• Niestandardowy algorytm federacyjny z optymalizatorami TFF pokazuje, jak używać tff.learning.optimizers do tworzenia niestandardowego, iteracyjnego procesu uśredniania federacyjnego.
• Niestandardowe algorytmy federacyjne, Część 1: Wprowadzenie do rdzenia federacyjnego i Część 2: Implementacja uśredniania federacyjnego przedstawiają kluczowe koncepcje i interfejsy oferowane przez interfejs API Federated Core (FC API).
• Implementacja niestandardowych agregacji wyjaśnia zasady projektowania stojące za modułem tff.aggregators i najlepsze praktyki wdrażania niestandardowej agregacji wartości od klientów do serwera.

Najlepsze praktyki symulacyjne

• Symulacje o wysokiej wydajności z Kubernetes opisują, jak skonfigurować i skonfigurować wysokowydajne środowisko wykonawcze TFF działające na Kubernetes.

• Symulacja TFF z akceleratorami (GPU) pokazuje, jak wysokowydajne środowisko wykonawcze TFF może być używane z procesorami graficznymi.

• Praca z ClientData zapewnia najlepsze praktyki integracji zestawów danych symulacji opartych na ClientData TFF z obliczeniami TFF.

Samouczki dla średnio zaawansowanych i zaawansowanych

• Losowe generowanie szumu wskazuje na pewne subtelności związane z wykorzystaniem losowości w obliczeniach zdecentralizowanych oraz proponuje najlepsze praktyki i zalecane wzorce.

• Wysyłanie różnych danych do określonych klientów Za pomocą funkcji tff.federated_select wprowadza się operator tff.federated_select i podaje prosty przykład niestandardowego algorytmu sfederowanego, który wysyła różne dane do różnych klientów.

• Wydajne dla klienta uczenie federacyjne dużego modelu za pośrednictwem federated_select i sparse agregation pokazuje, jak TFF może być używany do trenowania bardzo dużego modelu, w którym każde urządzenie klienckie pobiera i aktualizuje tylko niewielką część modelu, używając tff.federated_select i sparse agregation.

• TFF for Federated Learning Research: Model and Update Compression pokazuje, jak niestandardowe agregacje oparte na interfejsie API tensor_encoding mogą być używane w TFF.

• Sfederowane uczenie się z różnicową prywatnością w TFF pokazuje, jak używać TFF do trenowania modeli z różnicową prywatnością na poziomie użytkownika.

• Ładowanie danych zdalnych za pomocą TFF opisuje, jak osadzić niestandardową logikę w środowisku wykonawczym TFF w celu załadowania danych na komputerach zdalnych.

• Obsługa JAX w TFF pokazuje, w jaki sposób obliczenia JAX mogą być używane w TFF, pokazując, w jaki sposób TFF jest zaprojektowany, aby mógł współpracować z innymi frontendowymi i backendowymi frameworkami ML.