Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan

Federasi TensorFlow: 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.build_federated_averaging_process(
  model_fn,
  client_optimizer_fn=lambda: tf.keras.optimizers.SGD(0.1))
state = trainer.initialize()
for _ in range(5):
  state, metrics = trainer.next(state, train_data)
  print(metrics['train']['loss'])
  • TensorFlow Federated (TFF) adalah framework open source untuk machine learning dan komputasi lain 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 algoritma pembelajaran federasi yang disertakan pada model dan data mereka, serta bereksperimen dengan algoritma 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 federasi . Antarmuka TFF diatur dalam dua lapisan utama:

  • Lapisan ini menawarkan sekumpulan antarmuka tingkat tinggi yang memungkinkan developer untuk menerapkan implementasi pelatihan federasi dan evaluasi yang disertakan ke model TensorFlow yang ada.
  • Inti dari sistem ini adalah sekumpulan antarmuka tingkat rendah untuk mengekspresikan algoritme federasi 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 federasi secara deklaratif, sehingga mereka dapat diterapkan ke lingkungan runtime yang beragam. Termasuk dengan TFF adalah runtime simulasi multi-mesin berperforma untuk eksperimen. Silakan kunjungi tutorialnya dan cobalah sendiri!

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