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.