Hadiri Simposium Women in ML pada 7 Desember Daftar sekarang
Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

TensorFlow Federated: Machine Learning pada Data Terdesentralisasi

import tensorflow as tf
import tensorflow_federated as tff

# Load simulation data.
source, _ = tff.simulation.datasets.emnist.load_data()
def client_data(n):
  return source.create_tf_dataset_for_client(source.client_ids[n]).map(
      lambda e: (tf.reshape(e['pixels'], [-1]), e['label'])
  ).repeat(10).batch(20)

# Pick a subset of client devices to participate in training.
train_data = [client_data(n) for n in range(3)]

# Wrap a Keras model for use with TFF.
def model_fn():
  model = tf.keras.models.Sequential([
      tf.keras.layers.Dense(10, tf.nn.softmax, input_shape=(784,),
                            kernel_initializer='zeros')
  ])
  return tff.learning.from_keras_model(
      model,
      input_spec=train_data[0].element_spec,
      loss=tf.keras.losses.SparseCategoricalCrossentropy(),
      metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])

# Simulate a few rounds of training with the selected client devices.
trainer = tff.learning.algorithms.build_weighted_fed_avg(
  model_fn,
  client_optimizer_fn=lambda: tf.keras.optimizers.SGD(0.1))
state = trainer.initialize()
for _ in range(5):
  result = trainer.next(state, train_data)
  state = result.state
  metrics = result.metrics
  print(metrics['train']['loss'])
  • TensorFlow Federated (TFF) adalah kerangka kerja sumber terbuka untuk pembelajaran mesin dan komputasi lainnya pada data yang didesentralisasi. TFF telah dikembangkan untuk memfasilitasi penelitian dan eksperimen terbuka dengan Federated Learning (FL) , sebuah pendekatan pembelajaran mesin di mana model global bersama dilatih di banyak klien yang berpartisipasi yang menyimpan data pelatihan mereka secara lokal. Misalnya, FL telah digunakan untuk melatih model prediksi untuk keyboard seluler tanpa mengunggah data pengetikan sensitif ke server.

    TFF memungkinkan pengembang untuk mensimulasikan algoritme pembelajaran gabungan yang disertakan pada model dan data mereka, serta bereksperimen dengan algoritme baru. Peneliti akan menemukan titik awal dan contoh lengkap untuk berbagai jenis penelitian. Blok penyusun yang disediakan oleh TFF juga dapat digunakan untuk mengimplementasikan komputasi non-pembelajaran, seperti analitik gabungan . Antarmuka TFF diatur dalam dua lapisan utama:

  • Lapisan ini menawarkan serangkaian antarmuka tingkat tinggi yang memungkinkan pengembang untuk menerapkan implementasi yang disertakan dari pelatihan dan evaluasi gabungan ke model TensorFlow mereka yang sudah ada.
  • Inti dari sistem ini adalah serangkaian antarmuka tingkat rendah untuk mengekspresikan algoritme gabungan baru secara ringkas dengan menggabungkan TensorFlow dengan operator komunikasi terdistribusi dalam lingkungan pemrograman fungsional yang diketik dengan kuat. Lapisan ini juga berfungsi sebagai fondasi di mana kita telah membangun Pembelajaran Federasi.
  • TFF memungkinkan pengembang untuk mengekspresikan komputasi gabungan secara deklaratif, sehingga dapat diterapkan ke lingkungan runtime yang beragam. Termasuk dengan TFF adalah runtime simulasi multi-mesin berkinerja untuk eksperimen. Silakan kunjungi tutorial dan mencobanya sendiri!

    Untuk pertanyaan dan dukungan, temukan kami di tag federasi tensorflow di StackOverflow.