Samouczki sfederowane TensorFlow

Te oparte na colab samouczki przeprowadzą Cię przez główne koncepcje TFF i interfejsy API, używając praktycznych przykładów. Dokumentację referencyjną można znaleźć w przewodnikach TFF .

Rozpoczęcie nauki federacyjnej

• Federated Learning dla klasyfikacji obrazów przedstawia kluczowe części interfejsu API Federated Learning (FL) i pokazuje, jak używać TFF do symulowania uczenia federacyjnego na danych podobnych do federacyjnych MNIST.
• Federated Learning do generowania tekstu dodatkowo demonstruje, jak używać interfejsu API FL TFF do udoskonalania serializowanego, wstępnie wytrenowanego modelu dla zadania modelowania języka.
• Dostrajanie zalecanych agregacji do nauki pokazuje, w jaki sposób podstawowe obliczenia FL w tff.learning można połączyć z wyspecjalizowanymi procedurami agregacji oferującymi niezawodność, różnicową prywatność, kompresję i nie tylko.
• Federated Reconstruction for Matrix Factorization wprowadza częściowo lokalne uczenie federacyjne, w którym niektóre parametry klienta nigdy nie są agregowane na serwerze. W samouczku pokazano, jak używać interfejsu API usługi Federated Learning do uczenia częściowo lokalnego modelu faktoryzacji macierzy.

Rozpoczęcie pracy z analizą federacyjną

• Private Heavy Hitters pokazuje, jak używać tff.analytics.heavy_hitters do tworzenia federacyjnych obliczeń analitycznych w celu wykrywania prywatnych heavy hitters.

Pisanie niestandardowych obliczeń federacyjnych

• Tworzenie własnego algorytmu federacyjnego uczenia się pokazuje, jak używać podstawowych interfejsów API programu TFF do implementowania algorytmów federacyjnego uczenia się na przykładzie uśredniania federacyjnego.
• Komponowanie algorytmów uczenia się pokazuje, jak używać interfejsu API uczenia TFF do łatwego wdrażania nowych algorytmów uczenia federacyjnego, w szczególności wariantów uśredniania federacyjnego.
• Niestandardowy algorytm federacyjny z optymalizatorami TFF pokazuje, jak używać tff.learning.optimizers do tworzenia niestandardowego procesu iteracyjnego dla uśredniania federacyjnego.
• Niestandardowe algorytmy federacyjne, część 1: Wprowadzenie do federacyjnego rdzenia i część 2: Implementacja federacyjnego uśredniania przedstawiają kluczowe koncepcje i interfejsy oferowane przez interfejs API federacyjnego rdzenia (FC API).
• W artykule Implementing Custom Aggregations wyjaśniono zasady projektowania modułu tff.aggregators oraz najlepsze praktyki wdrażania niestandardowej agregacji wartości od klientów do serwera.

Najlepsze praktyki symulacji

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

• Praca z ClientData zapewnia najlepsze praktyki w zakresie integracji zestawów danych symulacji opartych na ClientData TFF w obliczeniach TFF.

Samouczki średniozaawansowane i zaawansowane

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

• Wysyłanie różnych danych do określonych klientów za pomocą tff.federated_select wprowadza operatora tff.federated_select i podaje prosty przykład niestandardowego algorytmu stowarzyszonego, który wysyła różne dane do różnych klientów.

• Wydajne dla klienta federacyjne uczenie się na dużym modelu za pośrednictwem agregacji federated_select i sparse pokazuje, w jaki sposób TFF można wykorzystać do uczenia bardzo dużego modelu, w którym każde urządzenie klienckie pobiera i aktualizuje tylko niewielką część modelu, używając tff.federated_select i agregacji rozrzedzonej.

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

• Federated Learning with Differential Privacy in TFF pokazuje, jak używać TFF do trenowania modeli z różnicową prywatnością na poziomie użytkownika.

• Wsparcie dla JAX w TFF pokazuje, jak obliczenia JAX mogą być używane w TFF, demonstrując, w jaki sposób TFF został zaprojektowany, aby mógł współpracować z innymi platformami ML frontendu i backendu.