Esses tutoriais baseados em Colab orientam você nos principais conceitos e APIs do TFF usando exemplos práticos. A documentação de referência pode ser encontrada nos guias da TFF .
Introdução ao aprendizado federado
- O Federated Learning para classificação de imagens apresenta as principais partes da API Federated Learning (FL) e demonstra como usar o TFF para simular o aprendizado federado em dados federados do tipo MNIST.
- O Federated Learning para geração de texto demonstra ainda como usar a API FL da TFF para refinar um modelo serializado pré-treinado para uma tarefa de modelagem de linguagem.
- Ajustar agregações recomendadas para aprendizagem mostra como os cálculos FL básicos em
tff.learningpodem ser combinados com rotinas de agregação especializadas que oferecem robustez, privacidade diferencial, compactação e muito mais. - A reconstrução federada para fatoração de matrizes introduz o aprendizado federado parcialmente local, onde alguns parâmetros do cliente nunca são agregados no servidor. O tutorial demonstra como usar a API Federated Learning para treinar um modelo de fatoração de matriz parcialmente local.
Introdução à análise federada
- Private Heavy Hitters mostra como usar
tff.analytics.heavy_hitterspara construir uma computação analítica federada para descobrir heavy hitters privados.
Escrevendo cálculos federados personalizados
- Construindo seu próprio algoritmo de aprendizado federado mostra como usar as APIs principais do TFF para implementar algoritmos de aprendizado federado, usando a média federada como exemplo.
- Compondo Algoritmos de Aprendizagem mostra como usar a API de Aprendizagem TFF para implementar facilmente novos algoritmos de aprendizagem federados, especialmente variantes de Média Federada.
- Algoritmos Federados Personalizados, Parte 1: Introdução ao Federated Core e Parte 2: Implementando Federated Averaging apresentam os principais conceitos e interfaces oferecidos pela Federated Core API (FC API).
- Implementando agregações personalizadas explica os princípios de design por trás do módulo
tff.aggregatorse as práticas recomendadas para implementar agregação personalizada de valores de clientes para servidor.
Melhores práticas de simulação
A simulação TFF com aceleradores (GPU) mostra como o tempo de execução de alto desempenho do TFF pode ser usado com GPUs.
Trabalhar com ClientData fornece as melhores práticas para integrar conjuntos de dados de simulação baseados em ClientData da TFF em cálculos TFF.
Tutoriais intermediários e avançados
A geração de ruído aleatório aponta algumas sutilezas no uso da aleatoriedade em cálculos descentralizados e propõe melhores práticas e padrões recomendados.
Enviando dados diferentes para clientes específicos com tff.federated_select apresenta o operador
tff.federated_selecte fornece um exemplo simples de um algoritmo federado personalizado que envia dados diferentes para clientes diferentes.O aprendizado federado de modelo grande e eficiente para o cliente por meio de federated_select e agregação esparsa mostra como o TFF pode ser usado para treinar um modelo muito grande, onde cada dispositivo cliente baixa e atualiza apenas uma pequena parte do modelo, usando
tff.federated_selecte agregação esparsa.A aprendizagem federada com privacidade diferencial no TFF demonstra como usar o TFF para treinar modelos com privacidade diferencial no nível do usuário.