GitHub Repository: tensorflow/docs-l10n
Path: blob/master/site/ko/federated/tutorials/tutorials_overview.md
²⁵¹¹⁸ views

TensorFlow 페더레이션 튜토리얼

이 colab 기반 튜토리얼은 실제 예제를 사용하여 주요 TFF 개념과 API를 안내합니다. 참조 문서는 TFF 가이드에서 찾을 수 있습니다.

참고: TFF에는 현재 Python 3.9 이상이 필요하지만 Google Colaboratory의 호스팅 런타임은 현재 Python 3.7을 사용하므로 이러한 노트북을 실행하려면 사용자 지정 로컬 런타임을 사용해야 합니다.

페더레이션 학습으로 시작하기

이미지 분류를 위한 페데레이션 학습은 페데레이션 학습(FL) API의 주요 부분을 소개하고 TFF를 사용하여 페데레이션 MNIST와 유사한 데이터에 대한 페데레이션 학습을 시뮬레이션하는 방법을 보여줍니다.
텍스트 생성을 위한 페더레이션 학습은 TFF의 FL API를 사용하여 언어 모델링 작업을 위해 직렬화된 사전 훈련된 모델을 구체화하는 방법을 추가로 보여줍니다.
학습을 위한 권장 집계 조정은 tff.learning의 기본 FL 계산을 견고성, 차등 개인 정보 보호, 압축 등을 제공하는 전문 집계 루틴과 결합할 수 있는 방법을 보여줍니다.
행렬 분해를 위한 페더레이션 재구성은 일부 클라이언트 매개변수가 서버에서 집계되지 않는 로컬 페더레이션 학습을 부분적으로 소개합니다. 이 튜토리얼은 페더레이션 학습 API를 사용하여 부분적으로 로컬 행렬 분해 모델을 훈련하는 방법을 보여줍니다.

페더레이션 분석으로 시작하기

비공개 헤비 히터는 tff.analytics.heavy_hitters를 사용하여 페더레이션 분석 계산을 구축하고 개인 헤비 히터를 찾는 방법을 보여줍니다.

사용자 정의 페더레이션 계산 작성

나만의 페더레이션 학습 알고리즘 구축은 TFF 핵심 API를 사용(예: 페더레이션 평균 사용)하여 페더레이션 학습 알고리즘을 구현하는 방법을 보여줍니다.
학습 알고리즘 구성은 TFF 학습 API를 사용하여 새로운 페더레이션 학습 알고리즘, 특히 페더레이션 평균화의 변형을 쉽게 구현하는 방법을 보여줍니다.
TFF Optimizers를 사용한 사용자 정의 페더레이션 알고리즘은 tff.learning.optimizers를 사용하여 페더레이션 평균화를 위한 사용자 지정 반복 프로세스를 구축하는 방법을 보여줍니다.
사용자 정의 페더레이션 알고리즘, 1부: 페더레이션 코어 소개 및 2부: 페더레이션 평균화 구현은 Federated Core API(FC API)에서 제공하는 주요 개념과 인터페이스를 소개합니다.
사용자 지정 집계 구현은tff.aggregators 모듈의 이면에 있는 디자인 원칙과 클라이언트에서 서버로 값의 사용자 정의 집계를 구현하기 위한 모범 사례를 설명합니다.

시뮬레이션 모범 사례

중급 및 고급 튜토리얼

랜덤 노이즈 생성은 분산 계산에서 임의성을 사용하여 약간의 미묘함을 지적하고 모범 사례를 제안하며 패턴을 권장합니다.
tff.federated_select를 사용하여 특정 클라이언트에 다른 데이터 보내기는 tff.federated_select 연산자를 소개하고 다른 클라이언트에 다른 데이터를 보내는 사용자 정의 연합 알고리즘의 간단한 예를 제공합니다.
federated_select 및 희소 집계를 통한 클라이언트 효율적인 대형 모델 페더레이션 학습은 각 클라이언트 장치가 tff.federated_select 및 희소 집계를 사용하여 모델의 작은 부분만 다운로드 및 업데이트하는 초대형 모델을 훈련하는 데 TFF를 사용할 수 있는 방법을 보여줍니다.
페더레이션 학습 연구를 위한 TFF: 모델 및 업데이트 압축은 tensor_encoding API를 기반으로 하는 사용자 정의 집계를 TFF에서 사용할 수 있는 방법을 보여줍니다.
TFF의 차등 개인 정보 보호 페더레이션 학습은 TFF를 사용하여 사용자 수준 차등 개인 정보 보호를 사용하여 모델을 훈련하는 방법을 보여줍니다.
TFF에서 JAX에 대한 지원은 TFF에서 JAX 계산을 사용하는 방법을 보여주고 TFF가 다른 프런트엔드 및 백엔드 ML 프레임워크와 상호 운용될 수 있도록 설계된 방식을 보여줍니다.