Samouczki dotyczące federacji TensorFlow

Te samouczki oparte na współpracy przeprowadzą Cię przez główne koncepcje TFF i interfejsy API, korzystając z praktycznych przykładów. Dokumentację referencyjną można znaleźć w przewodnikach TFF .

Pierwsze kroki w nauczaniu stowarzyszonym

• Federated Learning do klasyfikacji obrazów przedstawia kluczowe części interfejsu API Federated Learning (FL) i demonstruje, jak używać TFF do symulacji uczenia się stowarzyszonego na stowarzyszonych danych typu MNIST.
• Federated Learning do generowania tekstu dodatkowo demonstruje, jak używać interfejsu API FL TFF do udoskonalania serializowanego, wstępnie wytrenowanego modelu na potrzeby zadania modelowania języka.
• Dostrojenie zalecanych agregacji do celów uczenia się pokazuje, jak podstawowe obliczenia FL w tff.learning można połączyć ze specjalistycznymi procedurami agregacji oferującymi niezawodność, różnicową prywatność, kompresję i nie tylko.
• Funkcja Federated Reconstruction for Matrix Factorization wprowadza częściowo lokalne stowarzyszone uczenie się, w którym niektóre parametry klienta nigdy nie są agregowane na serwerze. W samouczku pokazano, jak używać interfejsu API Federated Learning do uczenia częściowo lokalnego modelu faktoryzacji macierzy.

Pierwsze kroki z analityką stowarzyszoną

• Private Heavy Hitters pokazuje, jak używać tff.analytics.heavy_hitters do tworzenia stowarzyszonych obliczeń analitycznych w celu wykrywania prywatnych ciężkich graczy.

Pisanie niestandardowych obliczeń stowarzyszonych

• Tworzenie własnego algorytmu uczenia się stowarzyszonego pokazuje, jak używać interfejsów API rdzenia TFF do wdrażania algorytmów uczenia się stowarzyszonego, na przykładzie uśredniania stowarzyszonego.
• Tworzenie algorytmów uczenia się pokazuje, jak używać interfejsu API uczenia się TFF do łatwego wdrażania nowych algorytmów stowarzyszonego uczenia się, zwłaszcza wariantów stowarzyszonego uśredniania.
• Niestandardowe algorytmy stowarzyszone, część 1: Wprowadzenie do stowarzyszonego rdzenia i część 2: Wdrażanie stowarzyszonego uśredniania przedstawiają kluczowe koncepcje i interfejsy oferowane przez Federated Core API (FC API).
• Implementowanie niestandardowych agregacji wyjaśnia zasady projektowania modułu tff.aggregators i najlepsze praktyki dotyczące wdrażania niestandardowej agregacji wartości od klientów do serwera.

Najlepsze praktyki w zakresie symulacji

• Symulacja TFF z akceleratorami (GPU) pokazuje, jak wysokowydajne środowisko wykonawcze TFF można wykorzystać w połączeniu z procesorami graficznymi.

• Praca z ClientData zapewnia najlepsze praktyki w zakresie integracji zestawów danych symulacyjnych opartych na ClientData TFF z obliczeniami TFF.

Tutoriale średniozaawansowane i zaawansowane

• Generowanie szumu losowego wskazuje na pewne subtelności związane z wykorzystaniem losowości w zdecentralizowanych obliczeniach oraz proponuje najlepsze praktyki i zaleca wzorce.

• Wysyłanie różnych danych do określonych klientów Opcja tff.federated_select wprowadza operator tff.federated_select i podaje prosty przykład niestandardowego algorytmu stowarzyszonego, który wysyła różne dane do różnych klientów.

• Wydajne na kliencie stowarzyszone uczenie się dużych modeli za pośrednictwem federated_select i sparse agregation pokazuje, jak TFF można wykorzystać do uczenia bardzo dużego modelu, w którym każde urządzenie klienckie pobiera i aktualizuje tylko niewielką część modelu, używając tff.federated_select i agregacji sparse.

• Federacyjne uczenie się z różnicową prywatnością w TFF pokazuje, jak używać TFF do uczenia modeli z różnicową prywatnością na poziomie użytkownika.