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.