پیش‌بینی بااستفاده از TensorFlow و Cloud AI Platform

TensorFlow پلاتفرم یادگیری ماشین متن‌بازی است که از روش‌های پیشرفته یادگیری ماشین مثل یادگیری عمیق پشتیبانی می‌کند. این صفحه ویژگی‌های خاص TensorFlow را در Earth Engine شرح می‌دهد. اگرچه مدل‌های TensorFlow خارج از Earth Engine توسعه یافته و آموزش داده می‌شوند، Earth Engine API روش‌هایی برای صادر کردن داده‌های آموزشی و آزمایشی در قالب TFRecord و وارد کردن/صادر کردن تصاویر در قالب TFRecord ارائه می‌دهد. برای کسب اطلاعات بیشتر درباره نحوه توسعه خطوط لوله برای استفاده از TensorFlow با داده‌های Earth Engine، صفحه نمونه‌های TensorFlow را ببینید. برای کسب اطلاعات بیشتر درباره نحوه نوشتن داده‌ها در فایل‌های TFRecord توسط Earth Engine، صفحه TFRecord را ببینید.

ee.Model

بسته ee.Model تعامل با مدل‌های یادگیری ماشین با پشتیبانی TensorFlow را مدیریت می‌کند.

تعامل با مدل‌های میزبانی‌شده در AI Platform

نمونه ee.Model جدیدی را می‌توان با ee.Model.fromAiPlatformPredictor() ایجاد کرد. این شیء ee.Model است که داده‌های Earth Engine را در تانسورها بسته‌بندی می‌کند، آن‌ها را به‌عنوان درخواست‌های پیش‌بینی به Google AI Platform ارسال می‌کند، سپس به‌طور خودکار پاسخ‌ها را در انواع داده‌های Earth Engine دوباره مونتاژ می‌کند. توجه داشته باشید که بسته به اندازه و پیچیدگی مدل و ورودی‌های آن، ممکن است بخواهید حداقل اندازه گره مدل AI Platform خود را تنظیم کنید تا بتوانید حجم بالایی از پیش‌بینی‌ها را مدیریت کنید.

Earth Engine به مدل‌های AI Platform نیاز دارد تا از قالب SavedModel TensorFlow استفاده کند. قبل‌از اینکه مدل میزبانی‌شده بتواند با Earth Engine تعامل داشته باشد، ورودی‌ها/خروجی‌های آن باید با قالب تبادل TensorProto، به‌ویژه TensorProtos سریالی‌شده در base64، سازگار باشد. برای آسان‌تر کردن این کار، Earth Engine CLI دارای فرمان model prepare است که SavedModel موجود را در عملیات موردنیاز برای تبدیل قالب‌های ورودی/خروجی می‌پیچد.

برای استفاده از مدل با ee.Model.fromAiPlatformPredictor()، باید اجازه‌های کافی برای استفاده از مدل را داشته باشید. به‌طور خاص، شما (یا هرکسی که از مدل استفاده می‌کند) حداقل به نقش کاربر مدل موتور یادگیری ماشین نیاز دارید. می‌توانید اجازه‌های مدل را از صفحه مدل‌های Cloud Console بررسی و تنظیم کنید.

منطقه‌ها

باید از نقاط پایانی منطقه‌ای برای مدل‌هایتان استفاده کنید و منطقه را در زمان ایجاد مدل، ایجاد نسخه، و در ee.Model.fromAiPlatformPredictor() مشخص کنید. هر منطقه‌ای کار خواهد کرد (از global استفاده نکنید)، اما us-central1 ترجیح داده می‌شود. پارامتر REGIONS را مشخص نکنید. اگر درحال ایجاد مدل از کنسول Cloud هستید، مطمئن شوید چارگوش منطقه‌ای علامت زده شده باشد.

هزینه‌ها

پیش‌بینی‌های تصویر

از model.predictImage() برای پیش‌بینی در ee.Image بااستفاده از مدل میزبانی‌شده استفاده کنید. نوع پاسخ predictImage() یک ee.Image است که می‌تواند به نقشه اضافه شود، در محاسبات دیگر استفاده شود، صادر شود، و غیره. Earth Engine به‌طور خودکار نوارهای ورودی را کاشی‌بندی می‌کند و طرح‌ریزی خروجی را برای تغییرات مقیاس و کاشی‌بندی بیش‌ازحد درصورت نیاز تنظیم می‌کند. (برای اطلاعات بیشتر درباره نحوه عملکرد کاشی‌کاری، سند TFRecord را ببینید). توجه داشته باشید که Earth Engine همیشه تانسورهای سه‌بعدی را به مدل شما ارسال می‌کند، حتی زمانی که باندها اسکالر باشند (آخرین بُعد ۱ خواهد بود).

تقریباً همه مدل‌های پیچشی دارای یک تصویر ورودی ثابت خواهند بود (تصویر داده‌هایی که مدل روی آن‌ها آموزش دیده است). دراین‌صورت، پارامتر fixInputProj را در تماس با ee.Model.fromAiPlatformPredictor() روی true تنظیم کنید. هنگام تجسم پیش‌بینی‌ها، موقع کوچک‌نمایی در مدلی که تصویر ورودی ثابت دارد احتیاط کنید. این به‌همان دلیلی است که در اینجا شرح داده شده است. به‌طور دقیق، بزرگ‌نمایی تا یک محدوده فضایی بزرگ می‌تواند منجر به درخواست برای داده‌های بسیار زیاد شود و ممکن است به‌صورت کندی یا رد شدن توسط AI Platform ظاهر شود.