Ces didacticiels basés sur Colab vous guident à travers les principaux concepts et API TFF à l'aide d'exemples pratiques. La documentation de référence est disponible dans les guides TFF .
Premiers pas avec l'apprentissage fédéré
- Federated Learning pour la classification d'images présente les éléments clés de l'API Federated Learning (FL) et montre comment utiliser TFF pour simuler l'apprentissage fédéré sur des données fédérées de type MNIST.
- Federated Learning pour la génération de texte montre en outre comment utiliser l'API FL de TFF pour affiner un modèle sérialisé pré-entraîné pour une tâche de modélisation de langage.
- Le réglage des agrégations recommandées pour l'apprentissage montre comment les calculs FL de base dans
tff.learning
peuvent être combinés avec des routines d'agrégation spécialisées offrant robustesse, confidentialité différentielle, compression, etc. - La reconstruction fédérée pour la factorisation matricielle introduit un apprentissage fédéré partiellement local, dans lequel certains paramètres client ne sont jamais agrégés sur le serveur. Le didacticiel montre comment utiliser l'API Federated Learning pour entraîner un modèle de factorisation matricielle partiellement locale.
Premiers pas avec l'analyse fédérée
- Private Heavy Hitters montre comment utiliser
tff.analytics.heavy_hitters
pour créer un calcul analytique fédéré afin de découvrir les gros frappeurs privés.
Écriture de calculs fédérés personnalisés
- Créer votre propre algorithme d'apprentissage fédéré montre comment utiliser les API TFF Core pour implémenter des algorithmes d'apprentissage fédéré, en utilisant la moyenne fédérée comme exemple.
- Composer des algorithmes d'apprentissage montre comment utiliser l'API d'apprentissage TFF pour implémenter facilement de nouveaux algorithmes d'apprentissage fédéré, en particulier des variantes de Federated Averaging.
- Algorithmes fédérés personnalisés, partie 1 : introduction au noyau fédéré et partie 2 : implémentation de la moyenne fédérée présentent les concepts et interfaces clés offerts par l'API Federated Core (API FC).
- Implémentation d'agrégations personnalisées explique les principes de conception derrière le module
tff.aggregators
et les meilleures pratiques pour implémenter l'agrégation personnalisée de valeurs des clients au serveur.
Bonnes pratiques en matière de simulation
La simulation TFF avec accélérateurs (GPU) montre comment le runtime hautes performances de TFF peut être utilisé avec les GPU.
Travailler avec ClientData donne les meilleures pratiques pour intégrer les ensembles de données de simulation basés sur ClientData de TFF dans les calculs TFF.
Tutoriels intermédiaires et avancés
La génération de bruit aléatoire souligne certaines subtilités liées à l'utilisation du caractère aléatoire dans les calculs décentralisés, propose les meilleures pratiques et recommande des modèles.
Envoi de différentes données à des clients particuliers avec tff.federated_select présente l'opérateur
tff.federated_select
et donne un exemple simple d'algorithme fédéré personnalisé qui envoie différentes données à différents clients.L'apprentissage fédéré de grand modèle efficace pour le client via federated_select et l'agrégation clairsemée montre comment TFF peut être utilisé pour former un très grand modèle dans lequel chaque appareil client télécharge et met à jour uniquement une petite partie du modèle, à l'aide
tff.federated_select
et d'une agrégation clairsemée.L'apprentissage fédéré avec confidentialité différentielle dans TFF montre comment utiliser TFF pour former des modèles avec confidentialité différentielle au niveau de l'utilisateur.