Tutorial berbasis colab ini memandu Anda memahami konsep utama TFF dan API menggunakan contoh praktis. Dokumentasi referensi dapat ditemukan di panduan TFF .
Memulai pembelajaran gabungan
- Pembelajaran Federasi untuk klasifikasi gambar memperkenalkan bagian-bagian penting dari API Pembelajaran Federasi (FL), dan menunjukkan cara menggunakan TFF untuk menyimulasikan pembelajaran gabungan pada data serupa MNIST gabungan.
- Pembelajaran Federasi untuk pembuatan teks lebih lanjut mendemonstrasikan cara menggunakan FL API TFF untuk menyempurnakan model terlatih berseri untuk tugas pemodelan bahasa.
- Menyesuaikan agregasi yang direkomendasikan untuk pembelajaran menunjukkan bagaimana komputasi FL dasar di
tff.learning
dapat dikombinasikan dengan rutinitas agregasi khusus yang menawarkan ketahanan, privasi diferensial, kompresi, dan banyak lagi. - Rekonstruksi Gabungan untuk Faktorisasi Matriks memperkenalkan pembelajaran gabungan sebagian lokal, di mana beberapa parameter klien tidak pernah dikumpulkan di server. Tutorial ini menunjukkan cara menggunakan Federated Learning API untuk melatih model faktorisasi matriks lokal sebagian.
Memulai analitik gabungan
- Private Heavy Hitters menunjukkan cara menggunakan
tff.analytics.heavy_hitters
untuk membangun komputasi analitik gabungan guna menemukan heavy hitter pribadi.
Menulis perhitungan gabungan khusus
- Membangun Algoritma Pembelajaran Federasi Anda Sendiri menunjukkan cara menggunakan API Inti TFF untuk mengimplementasikan algoritma pembelajaran gabungan, menggunakan Rata-Rata Federasi sebagai contoh.
- Menyusun Algoritma Pembelajaran menunjukkan cara menggunakan TFF Learning API untuk dengan mudah mengimplementasikan algoritma pembelajaran gabungan baru, terutama varian dari Federated Averaging.
- Algoritma Federasi Khusus, Bagian 1: Pengantar Inti Federasi dan Bagian 2: Penerapan Rata-rata Federasi memperkenalkan konsep dan antarmuka utama yang ditawarkan oleh Federated Core API (FC API).
- Penerapan Agregasi Kustom menjelaskan prinsip desain di balik modul
tff.aggregators
dan praktik terbaik untuk mengimplementasikan agregasi nilai kustom dari klien ke server.
Praktik terbaik simulasi
Simulasi TFF dengan akselerator (GPU) menunjukkan bagaimana runtime performa tinggi TFF dapat digunakan dengan GPU.
Bekerja dengan ClientData memberikan praktik terbaik untuk mengintegrasikan kumpulan data simulasi berbasis ClientData TFF ke dalam komputasi TFF.
Tutorial tingkat menengah dan lanjutan
Pembuatan gangguan acak menunjukkan beberapa seluk-beluk penggunaan keacakan dalam komputasi terdesentralisasi, dan mengusulkan praktik terbaik dan merekomendasikan pola.
Mengirim Data Berbeda Ke Klien Tertentu Dengan tff.federated_select memperkenalkan operator
tff.federated_select
dan memberikan contoh sederhana algoritma federasi khusus yang mengirimkan data berbeda ke klien berbeda.Pembelajaran federasi model besar yang efisien klien melalui federated_select dan agregasi sparse menunjukkan bagaimana TFF dapat digunakan untuk melatih model yang sangat besar dengan setiap perangkat klien hanya mengunduh dan memperbarui sebagian kecil model, menggunakan
tff.federated_select
dan agregasi sparse.Pembelajaran Federasi dengan Privasi Diferensial di TFF menunjukkan cara menggunakan TFF untuk melatih model dengan privasi diferensial tingkat pengguna.