TensorFlow est une plate-forme de ML Open Source qui accepte les méthodes de ML avancées telles que le deep learning. Cette page décrit les fonctionnalités spécifiques à TensorFlow dans Earth Engine. Bien que les modèles TensorFlow soient développés et entraînés en dehors d'Earth Engine, l'API Earth Engine fournit des méthodes pour exporter les données d'entraînement et de test au format TFRecord, et pour importer/exporter l'imagerie au format TFRecord. Pour en savoir plus sur le développement de pipelines permettant d'utiliser TensorFlow avec des données Earth Engine, consultez la page d'exemples TensorFlow. Consultez la page TFRecord pour en savoir plus sur la façon dont Earth Engine écrit des données dans des fichiers TFRecord.
ee.Model
Le package ee.Model gère l'interaction avec les modèles de machine learning basés sur TensorFlow.
Interagir avec des modèles hébergés sur AI Platform
Une instance ee.Model peut être créée avec ee.Model.fromAiPlatformPredictor(). Il s'agit d'un objet ee.Model qui empaquette les données Earth Engine dans des tenseurs, les transmet en tant que requêtes de prédiction à Google AI Platform, puis réassemble automatiquement les réponses dans des types de données Earth Engine. Notez que, selon la taille et la complexité de votre modèle et de ses entrées, vous pouvez ajuster la taille minimale des nœuds de votre modèle de plate-forme IA pour gérer un volume élevé de prédictions.
Earth Engine nécessite que les modèles de plate-forme IA utilisent le format SavedModel de TensorFlow. Pour qu'un modèle hébergé puisse interagir avec Earth Engine, ses entrées/sorties doivent être compatibles avec le format d'échange TensorProto, en particulier les TensorProtos sérialisés en base64. Pour faciliter cette opération, la CLI Earth Engine dispose de la commande model prepare, qui encapsule un SavedModel existant dans les opérations requises pour convertir les formats d'entrée/sortie.
Pour utiliser un modèle avec ee.Model.fromAiPlatformPredictor(), vous devez disposer des autorisations suffisantes pour utiliser le modèle. Plus précisément, vous (ou toute personne qui utilise le modèle) devez disposer au moins du rôle d'utilisateur du modèle ML Engine. Vous pouvez inspecter et définir les autorisations de modèle à partir de la page "Modèles" de la console Cloud.
Régions
Vous devez utiliser des points de terminaison régionaux pour vos modèles, en spécifiant la région lors de la création du modèle, de la création de la version et dans ee.Model.fromAiPlatformPredictor(). Toutes les régions fonctionnent (n'utilisez pas "global"), mais us-central1 est préférable. Ne spécifiez pas le paramètre REGIONS. Si vous créez un modèle à partir de la console Cloud, assurez-vous que la case "Régional" est cochée.
Coûts
Prédictions d'images
Utilisez model.predictImage() pour effectuer des prédictions sur un ee.Image à l'aide d'un modèle hébergé. Le type renvoyé de predictImage() est un ee.Image qui peut être ajouté à la carte, utilisé dans d'autres calculs, exporté, etc. Earth Engine divise automatiquement les bandes d'entrée en tuiles et ajuste la projection de sortie pour les changements d'échelle et le sur-tuilage, si nécessaire. (Pour en savoir plus sur le fonctionnement de la segmentation, consultez la documentation sur TFRecord.) Notez qu'Earth Engine transmettra toujours des tenseurs 3D à votre modèle, même lorsque les bandes sont scalaires (la dernière dimension sera 1).
Presque tous les modèles convolutifs ont une projection d'entrée fixe (celle des données sur lesquelles le modèle a été entraîné). Dans ce cas, définissez le paramètre fixInputProj sur true dans votre appel à ee.Model.fromAiPlatformPredictor().
Lorsque vous visualisez des prédictions, faites preuve de prudence lorsque vous effectuez un zoom arrière sur un modèle doté d'une projection d'entrée fixe. Cela est dû à la même raison que celle décrite ici. Plus précisément, un zoom sur un champ d'application spatial étendu peut entraîner des requêtes portant sur un volume de données trop important, ce qui peut se traduire par des ralentissements ou des rejets de la part d'AI Platform.