 TensorFlow.org'da görüntüleyin |  Google Colab'da çalıştırın |  Kaynağı GitHub'da görüntüleyin |  Not defterini indir |
Bu öğretici, farklı istemcilere farklı veriler gönderilmesini gerektiren özel birleşik algoritmaların TFF'de nasıl uygulanacağını gösterir. Zaten aşina olabilir tff.federated_broadcast tüm istemciler için tek sunucu yerleştirilmiş değerini gönderir. Bu öğretici, sunucu tabanlı bir değerin farklı bölümlerinin farklı istemcilere gönderildiği durumlara odaklanır. Bu, tüm modeli herhangi bir tek istemciye göndermekten kaçınmak için bir modelin parçalarını farklı istemciler arasında bölmek için yararlı olabilir.
Diyelim hem ithal ederek başlamak tensorflow ve tensorflow_federated .
!pip install --quiet --upgrade tensorflow-federated-nightly
!pip install --quiet --upgrade nest-asyncio
import nest_asyncio
nest_asyncio.apply()
import tensorflow as tf
import tensorflow_federated as tff
tff.backends.native.set_local_python_execution_context()
Müşteri Verilerine Dayalı Farklı Değerler Gönderme
Bazı istemci tarafından yerleştirilmiş verilere dayanarak her istemciye birkaç öğe göndermek istediğimiz sunucu tarafından yerleştirilmiş bir listemiz olduğu durumu düşünün. Örneğin, sunucudaki ve istemcilerdeki dizelerin bir listesi, indirilecek virgülle ayrılmış bir dizin listesi. Bunu şu şekilde uygulayabiliriz:
list_of_strings_type = tff.TensorType(tf.string, [None])
# We only ever send exactly two values to each client. The number of keys per
# client must be a fixed number across all clients.
number_of_keys_per_client = 2
keys_type = tff.TensorType(tf.int32, [number_of_keys_per_client])
get_size = tff.tf_computation(lambda x: tf.size(x))
select_fn = tff.tf_computation(lambda val, index: tf.gather(val, index))
client_data_type = tf.string
# A function from our client data to the indices of the values we'd like to
# select from the server.
@tff.tf_computation(client_data_type)
@tff.check_returns_type(keys_type)
def keys_for_client(client_string):
# We assume our client data is a single string consisting of exactly three
# comma-separated integers indicating which values to grab from the server.
split = tf.strings.split([client_string], sep=',')[0]
return tf.strings.to_number([split[0], split[1]], tf.int32)
@tff.tf_computation(tff.SequenceType(tf.string))
@tff.check_returns_type(tf.string)
def concatenate(values):
def reduce_fn(acc, item):
return tf.cond(tf.math.equal(acc, ''),
lambda: item,
lambda: tf.strings.join([acc, item], ','))
return values.reduce('', reduce_fn)
@tff.federated_computation(tff.type_at_server(list_of_strings_type), tff.type_at_clients(client_data_type))
def broadcast_based_on_client_data(list_of_strings_at_server, client_data):
keys_at_clients = tff.federated_map(keys_for_client, client_data)
max_key = tff.federated_map(get_size, list_of_strings_at_server)
values_at_clients = tff.federated_select(keys_at_clients, max_key, list_of_strings_at_server, select_fn)
value_at_clients = tff.federated_map(concatenate, values_at_clients)
return value_at_clients
Ardından, her istemci için sunucuya yerleştirilmiş dizelerin listesini ve ayrıca dize verilerini sağlayarak hesaplamamızı simüle edebiliriz:
client_data = ['0,1', '1,2', '2,0']
broadcast_based_on_client_data(['a', 'b', 'c'], client_data)
[<tf.Tensor: shape=(), dtype=string, numpy=b'a,b'>, <tf.Tensor: shape=(), dtype=string, numpy=b'b,c'>, <tf.Tensor: shape=(), dtype=string, numpy=b'c,a'>]
Her Müşteriye Rastgele Bir Öğe Gönderme
Alternatif olarak, sunucu verilerinin rastgele bir bölümünü her istemciye göndermek faydalı olabilir. Bunu, önce her istemcide rastgele bir anahtar oluşturarak ve ardından yukarıda kullanılana benzer bir seçim sürecini izleyerek uygulayabiliriz:
@tff.tf_computation(tf.int32)
@tff.check_returns_type(tff.TensorType(tf.int32, [1]))
def get_random_key(max_key):
return tf.random.uniform(shape=[1], minval=0, maxval=max_key, dtype=tf.int32)
list_of_strings_type = tff.TensorType(tf.string, [None])
get_size = tff.tf_computation(lambda x: tf.size(x))
select_fn = tff.tf_computation(lambda val, index: tf.gather(val, index))
@tff.tf_computation(tff.SequenceType(tf.string))
@tff.check_returns_type(tf.string)
def get_last_element(sequence):
return sequence.reduce('', lambda _initial_state, val: val)
@tff.federated_computation(tff.type_at_server(list_of_strings_type))
def broadcast_random_element(list_of_strings_at_server):
max_key_at_server = tff.federated_map(get_size, list_of_strings_at_server)
max_key_at_clients = tff.federated_broadcast(max_key_at_server)
key_at_clients = tff.federated_map(get_random_key, max_key_at_clients)
random_string_sequence_at_clients = tff.federated_select(
key_at_clients, max_key_at_server, list_of_strings_at_server, select_fn)
# Even though we only passed in a single key, `federated_select` returns a
# sequence for each client. We only care about the last (and only) element.
random_string_at_clients = tff.federated_map(get_last_element, random_string_sequence_at_clients)
return random_string_at_clients
Bizim bu yana broadcast_random_element fonksiyonu herhangi bir istemci-yerleştirilen verilerde almaz, biz kullanımına müşteri varsayılan numarası ile TFF Simülasyon Runtime yapılandırmak zorunda:
tff.backends.native.set_local_python_execution_context(default_num_clients=3)
Sonra seçimi simüle edebiliriz. Biz değiştirebilir default_num_clients üstünde ve farklı rastgele çıktılar üretmeleri hesaplama çalıştırmak yeniden basitçe farklı sonuçlar, veya oluşturmak için aşağıdaki dizeleri listesini.
broadcast_random_element(tf.convert_to_tensor(['foo', 'bar', 'baz']))