Estos tutoriales basados en colaboración lo guiarán a través de los principales conceptos y API de TFF mediante ejemplos prácticos. La documentación de referencia se puede encontrar en las guías del TFF .
Comenzando con el aprendizaje federado
- El aprendizaje federado para la clasificación de imágenes presenta las partes clave de la API de aprendizaje federado (FL) y demuestra cómo utilizar TFF para simular el aprendizaje federado en datos federados similares a MNIST.
- El aprendizaje federado para la generación de texto demuestra además cómo utilizar la API FL de TFF para refinar un modelo serializado previamente entrenado para una tarea de modelado de lenguaje.
- El ajuste de las agregaciones recomendadas para el aprendizaje muestra cómo los cálculos FL básicos en
tff.learning
se pueden combinar con rutinas de agregación especializadas que ofrecen solidez, privacidad diferencial, compresión y más. - La reconstrucción federada para factorización de matrices introduce un aprendizaje federado parcialmente local, donde algunos parámetros del cliente nunca se agregan en el servidor. El tutorial demuestra cómo utilizar la API de aprendizaje federado para entrenar un modelo de factorización matricial parcialmente local.
Comenzando con el análisis federado
- Private Heavy Hitters muestra cómo utilizar
tff.analytics.heavy_hitters
para crear un cálculo analítico federado para descubrir pesos pesados privados.
Escribir cálculos federados personalizados
- Creación de su propio algoritmo de aprendizaje federado muestra cómo utilizar las API principales de TFF para implementar algoritmos de aprendizaje federado, utilizando el promedio federado como ejemplo.
- Composing Learning Algorithms muestra cómo utilizar la API de aprendizaje TFF para implementar fácilmente nuevos algoritmos de aprendizaje federado, especialmente variantes de promedio federado.
- Algoritmos federados personalizados, Parte 1: Introducción al núcleo federado y Parte 2: Implementación del promedio federado presentan los conceptos e interfaces clave que ofrece la API del núcleo federado (FC API).
- La implementación de agregaciones personalizadas explica los principios de diseño detrás del módulo
tff.aggregators
y las mejores prácticas para implementar agregaciones personalizadas de valores desde el cliente al servidor.
Mejores prácticas de simulación
La simulación de TFF con aceleradores (GPU) muestra cómo se puede utilizar el tiempo de ejecución de alto rendimiento de TFF con GPU.
Trabajar con ClientData brinda las mejores prácticas para integrar los conjuntos de datos de simulación basados en ClientData de TFF en los cálculos de TFF.
Tutoriales intermedios y avanzados.
La generación de ruido aleatorio señala algunas sutilezas del uso de la aleatoriedad en cálculos descentralizados y propone mejores prácticas y recomienda patrones.
Enviar datos diferentes a clientes concretos con tff.federated_select presenta el operador
tff.federated_select
y ofrece un ejemplo sencillo de un algoritmo federado personalizado que envía datos diferentes a clientes diferentes.El aprendizaje federado de modelos grandes eficiente para el cliente a través de federated_select y agregación dispersa muestra cómo se puede usar TFF para entrenar un modelo muy grande donde cada dispositivo cliente solo descarga y actualiza una pequeña parte del modelo, usando
tff.federated_select
y agregación dispersa.El aprendizaje federado con privacidad diferencial en TFF demuestra cómo utilizar TFF para entrenar modelos con privacidad diferencial a nivel de usuario.