Объединенные руководства по TensorFlow

В этих руководствах , созданных совместно с коллегами, вы познакомитесь с основными концепциями и API-интерфейсами TFF на практических примерах. Справочную документацию можно найти в руководствах TFF .

Начало работы с федеративным обучением

• Федеративное обучение для классификации изображений знакомит с ключевыми частями API федеративного обучения (FL) и демонстрирует, как использовать TFF для моделирования федеративного обучения на федеративных данных, подобных MNIST.
• Федеративное обучение для генерации текста дополнительно демонстрирует, как использовать API FL TFF для уточнения сериализованной предварительно обученной модели для задачи моделирования языка.
• Настройка рекомендуемых агрегатов для обучения показывает, как базовые вычисления FL в tff.learning можно комбинировать со специализированными процедурами агрегирования, обеспечивающими надежность, дифференциальную конфиденциальность, сжатие и многое другое.
• Федеративная реконструкция для матричной факторизации представляет собой частично локальное федеративное обучение, при котором некоторые параметры клиента никогда не агрегируются на сервере. В этом руководстве показано, как использовать API федеративного обучения для обучения частично локальной модели матричной факторизации.

Начало работы с федеративной аналитикой

• В разделе Private Heavy Hitters показано, как использовать tff.analytics.heavy_hitters для построения объединенных аналитических вычислений для обнаружения частных наиболее результативных игроков.

Написание пользовательских интегрированных вычислений

• Создание собственного алгоритма федеративного обучения показывает, как использовать API-интерфейсы TFF Core для реализации алгоритмов федеративного обучения на примере федеративного усреднения.
• «Составление алгоритмов обучения» показывает, как использовать API обучения TFF для простой реализации новых алгоритмов федеративного обучения, особенно вариантов федеративного усреднения.
• Пользовательские федеративные алгоритмы. Часть 1. Введение в Federated Core и Часть 2. Реализация федеративного усреднения знакомят с ключевыми концепциями и интерфейсами, предлагаемыми API Federated Core (FC API).
• В разделе «Реализация пользовательских агрегаций» объясняются принципы разработки модуля tff.aggregators и лучшие практики реализации пользовательской агрегации значений от клиентов к серверу.

Лучшие практики моделирования

• Моделирование TFF с помощью ускорителей (GPU) показывает, как высокопроизводительную среду выполнения TFF можно использовать с графическими процессорами.

• Работа с ClientData дает рекомендации по интеграции наборов данных моделирования на основе ClientData TFF в вычисления TFF.

Учебники для среднего и продвинутого уровня

• Генерация случайного шума указывает на некоторые тонкости использования случайности в децентрализованных вычислениях, а также предлагает лучшие практики и рекомендуемые шаблоны.

• Отправка разных данных определенным клиентам. С помощью tff.federated_select представлен оператор tff.federated_select и приведен простой пример пользовательского интегрированного алгоритма, который отправляет разные данные разным клиентам.

• Эффективное для клиента федеративное обучение большой модели с помощью Federated_select и разреженной агрегации показывает, как TFF можно использовать для обучения очень большой модели, где каждое клиентское устройство загружает и обновляет только небольшую часть модели, используя tff.federated_select и разреженную агрегацию.

• Федеративное обучение с дифференциальной конфиденциальностью в TFF демонстрирует, как использовать TFF для обучения моделей с дифференциальной конфиденциальностью на уровне пользователя.