Samouczki sfederowane TensorFlow

Te colab oparte tutoriale Cię przez głównych pojęć TFF i API z wykorzystaniem praktycznych przykładów. Skorowidz można znaleźć w przewodnikach TFF .

Rozpoczęcie nauki sfederowanej

• Federalne Learning klasyfikacji obrazu przedstawia najważniejsze części Federalne Learning (FL) API, i pokazuje, jak korzystać z TFF symulować stowarzyszonego naukę na stowarzyszonym MNIST podobny danych.

• Federalne Learning do generowania tekstu dalej pokazuje, jak korzystać z TFF za Floryda API udoskonalić zserializowanego wstępnie przeszkolony model zadania modelowania język.

• Tuning zaleca agregacji do nauki pokazuje, jak podstawowe obliczenia Floryda w tff.learning może być łączony z wyspecjalizowane procedury agregacji oferując niezawodność, różnicowe prywatność, kompresja i więcej.

Rozpoczęcie pisania niestandardowych obliczeń sfederowanych

• Budowa własnego Learning Algorytm Federalne pokazuje, jak używać rdzenia API TFF zaimplementować algorytmy uczenia federacyjnych, używając Federalne Uśrednianie jako przykład.
• Niestandardowe Federalne Algorytm z TFF optymalizujące pokazuje, jak używać tff.learning.optimizers zbudować niestandardowy iteracyjny proces Federalne uśredniania.

Najlepsze praktyki symulacyjne

• Symulacje wysokiej wydajności z TFF opisuje sposób instalacji i konfiguracji wysokiej wydajności TFF czas pracy.

• Symulacja TFF z przyspieszaczem (GPU) pokazuje, jak wysoką wydajność środowiska wykonawczego TFF może być używany z GPU.

• Praca z ClientData daje najlepsze praktyki dotyczące integracji TFF za ClientData -na symulacji zestawów danych język obliczeń TFF.

Samouczki dla średnio zaawansowanych i zaawansowanych

• Wykonawcze klienta Agregacje wyjaśnia zasady projektowania stojących za tff.aggregators modułu i najlepszych praktyk w zakresie wdrażania niestandardowych agregacji wartości od klientów do serwera.

• Losowa generacja hałasu punkty niektóre subtlities z użyciem losowości w zdecentralizowanych obliczeń i proponuje najlepsze praktyki i zalecane wzory.

• Wysyłanie różnych danych poszczególnym klientom tff.federated_select wprowadza tff.federated_select operatora i daje prosty przykład niestandardowym stowarzyszonym algorytmu, który wysyła różne dane do różnych klientów.

• Klient efektywny duży model stowarzyszony nauka poprzez federated_select i agregacji rzadki pokazuje jak mogą być wykorzystane do TFF trenować bardzo duży model, w którym każde urządzenie tylko klient pobiera i aktualizuje niewielką część modelu, używając tff.federated_select i agregację rzadki.

• TFF dla Federalne Uczenie Badań: model i aktualizować kompresji pokazuje, jak niestandardowe agregacje budynek na API tensor_encoding może być stosowany w TFF.

• Niestandardowe Federalne Algorytmy, Część 1: Wprowadzenie do Federacji Rdzenia i Część 2: Wdrażanie Federalne uśredniania wprowadzenie podstawowych pojęć i interfejsy API oferowanych przez Federalne Rdzeń (FC API).

• Eksperymentalne wsparcie dla JAX w TFF pokazuje jak JAX obliczenia mogą być stosowane w TFF, demonstrując jak TFF jest zaprojektowany, aby móc współpracować z innymi frontend i backend ram ml.