अक्सर पूछे जाने वाले प्रश्न

क्या TensorFlow Federated का उपयोग उत्पादन सेटिंग में किया जा सकता है, उदाहरण के लिए, मोबाइल फोन पर?

वर्तमान में नहीं। हालाँकि हमने टीएफएफ को वास्तविक उपकरणों पर तैनाती को ध्यान में रखते हुए डिज़ाइन किया है, इस स्तर पर हम वर्तमान में इस उद्देश्य के लिए कोई उपकरण प्रदान नहीं करते हैं। वर्तमान रिलीज़ का उद्देश्य प्रयोगात्मक उपयोगों के लिए है, जैसे कि नए फ़ेडरेटेड एल्गोरिदम को व्यक्त करना, या सम्मिलित सिमुलेशन रनटाइम का उपयोग करके अपने स्वयं के डेटासेट के साथ फ़ेडरेटेड शिक्षण को आज़माना।

हमारा अनुमान है कि समय के साथ टीएफएफ के आसपास खुला स्रोत पारिस्थितिकी तंत्र भौतिक परिनियोजन प्लेटफार्मों को लक्षित करने वाले रनटाइम को शामिल करने के लिए विकसित होगा।

मैं बड़े डेटासेट के साथ प्रयोग करने के लिए टीएफएफ का उपयोग कैसे करूं?

टीएफएफ की प्रारंभिक रिलीज में शामिल डिफ़ॉल्ट रनटाइम केवल छोटे प्रयोगों के लिए है, जैसे कि हमारे ट्यूटोरियल में वर्णित हैं जिसमें आपका सारा डेटा (सभी सिम्युलेटेड क्लाइंट्स में) एक साथ एक मशीन पर मेमोरी में फिट होता है, और पूरा प्रयोग स्थानीय रूप से चलता है कोलाब नोटबुक के भीतर।

हमारे निकट भविष्य के रोडमैप में बहुत बड़े डेटा सेट और बड़ी संख्या में ग्राहकों के साथ प्रयोगों के लिए एक उच्च-प्रदर्शन रनटाइम शामिल है।

मैं यह कैसे सुनिश्चित कर सकता हूं कि टीएफएफ में यादृच्छिकता मेरी अपेक्षाओं से मेल खाती है?

चूँकि TFF ने फ़ेडरेट कंप्यूटिंग को अपने मूल में समाहित कर लिया है, इसलिए TFF के लेखक को इस पर नियंत्रण नहीं रखना चाहिए कि TensorFlow Session कहां और कैसे दर्ज किए जाते हैं, या उन सत्रों के भीतर run को कॉल किया जाता है। यदि बीज सेट हैं तो यादृच्छिकता का शब्दार्थ TensorFlow Session के प्रवेश और निकास पर निर्भर हो सकता है। हम उदाहरण के लिए टीएफ 1.14 के अनुसार tf.random.experimental.Generator का उपयोग करते हुए, TensorFlow 2-शैली रेडोमनेस का उपयोग करने की अनुशंसा करते हैं। यह अपनी आंतरिक स्थिति को प्रबंधित करने के लिए tf.Variable उपयोग करता है।

अपेक्षाओं को प्रबंधित करने में मदद करने के लिए, TFF TensorFlow को क्रमबद्ध करने के लिए ऑप-स्तरीय बीज सेट करने की अनुमति देता है, लेकिन ग्राफ़-स्तरीय बीज सेट करने की नहीं। ऐसा इसलिए है क्योंकि टीएफएफ सेटिंग में ऑप-लेवल बीजों के शब्दार्थ स्पष्ट होने चाहिए: tf_computation के रूप में लिपटे फ़ंक्शन के प्रत्येक आह्वान पर एक नियतात्मक अनुक्रम उत्पन्न होगा, और केवल इस आह्वान के भीतर छद्म यादृच्छिक संख्या जनरेटर द्वारा की गई कोई भी गारंटी कायम रहेगी। . ध्यान दें कि यह tf.function उत्सुक मोड में कॉल करने के शब्दार्थ के समान नहीं है; हर बार tf_computation लागू होने पर TFF प्रभावी ढंग से एक अद्वितीय tf.Session में प्रवेश करता है और बाहर निकलता है, जबकि उत्सुक मोड में किसी फ़ंक्शन को बार-बार कॉल करना एक ही सत्र के भीतर आउटपुट टेंसर पर sess.run बार-बार कॉल करने के समान होता है।

मैं कैसे योगदान दे सकता हूँ?

README , योगदान दिशानिर्देश और सहयोग देखें।

FedJAX और TensorFlow Federated के बीच क्या संबंध है?

टेन्सरफ्लो फेडरेटेड (टीएफएफ) फेडरेटेड लर्निंग और एनालिटिक्स के लिए एक पूर्ण ढांचा है जिसे विभिन्न एल्गोरिदम और सुविधाओं की रचना की सुविधा के लिए और विभिन्न सिमुलेशन और तैनाती परिदृश्यों में पोर्टिंग कोड को सक्षम करने के लिए डिज़ाइन किया गया है। टीएफएफ एक स्केलेबल रनटाइम प्रदान करता है और अपने मानक एपीआई के माध्यम से कई गोपनीयता, संपीड़न और अनुकूलन एल्गोरिदम का समर्थन करता है। टीएफएफ कई प्रकार के एफएल शोध का भी समर्थन करता है, जिसमें Google-शोध रेपो में प्रदर्शित होने वाले प्रकाशित Google पत्रों के उदाहरणों का संग्रह शामिल है।

इसके विपरीत, FedJAX एक हल्का पायथन- और JAX-आधारित सिमुलेशन लाइब्रेरी है जो अनुसंधान उद्देश्यों के लिए फ़ेडरेटेड लर्निंग एल्गोरिदम के उपयोग में आसानी और तेजी से प्रोटोटाइप पर केंद्रित है। TensorFlow Federated और FedJAX को कोड पोर्टेबिलिटी की अपेक्षा के बिना, अलग-अलग परियोजनाओं के रूप में विकसित किया गया है।