Prognozy z wykorzystaniem TensorFlow i Cloud AI Platform

TensorFlow to platforma ML typu open source, która obsługuje zaawansowane metody ML, takie jak deep learning. Na tej stronie opisano funkcje Earth Engine związane z TensorFlow. Chociaż modele TensorFlow są opracowywane i trenowane poza Earth Engine, interfejs Earth Engine API udostępnia metody eksportowania danych treningowych i testowych w formacie TFRecord oraz importowania i eksportowania zdjęć w formacie TFRecord. Więcej informacji o tworzeniu potoków do używania TensorFlow z danymi z Earth Engine znajdziesz na stronie z przykładami TensorFlow. Więcej informacji o tym, jak Earth Engine zapisuje dane w plikach TFRecord, znajdziesz na stronie TFRecord.

ee.Model

Pakiet ee.Model obsługuje interakcje z modelami uczenia maszynowego opartymi na TensorFlow.

Interakcja z modelami hostowanymi na platformie AI

Nową instancję ee.Model można utworzyć za pomocą ee.Model.fromAiPlatformPredictor(). Jest to obiekt ee.Model, który pakuje dane Earth Engine w tensory, przekazuje je jako żądania prognozy do Google AI Platform, a następnie automatycznie przekształca odpowiedzi w typy danych Earth Engine. Pamiętaj, że w zależności od rozmiaru i złożoności modelu oraz jego danych wejściowych możesz dostosować minimalny rozmiar węzła modelu platformy AI, aby obsłużyć dużą liczbę prognoz.

Earth Engine wymaga, aby modele platformy AI używały formatu SavedModel TensorFlow. Aby hostowany model mógł wchodzić w interakcje z Earth Engine, jego dane wejściowe i wyjściowe muszą być zgodne z formatem wymiany TensorProto, a konkretnie z serializowanymi obiektami TensorProto w formacie base64. Aby to ułatwić, interfejs wiersza poleceń Earth Engine zawiera polecenie model prepare, które opakowuje istniejący model SavedModel w wymagane operacje konwersji formatów wejściowych i wyjściowych.

Aby używać modelu z ee.Model.fromAiPlatformPredictor(), musisz mieć wystarczające uprawnienia do korzystania z modelu. W szczególności Ty (lub każda osoba, która korzysta z modelu) musisz mieć co najmniej rolę użytkownika modelu ML Engine. Uprawnienia do modelu możesz sprawdzać i ustawiać na stronie modeli w konsoli Cloud.

Regiony

W przypadku modeli należy używać regionalnych punktów końcowych, określając region podczas tworzenia modelu, tworzenia wersji i w ee.Model.fromAiPlatformPredictor(). Możesz wybrać dowolny region (nie używaj globalnego), ale preferowany jest us-central1. Nie podawaj parametru REGIONS. Jeśli tworzysz model w konsoli Cloud, upewnij się, że pole wyboru regionu jest zaznaczone.

Koszty

Prognozy dotyczące obrazów

Użyj model.predictImage(), aby tworzyć prognozy na ee.Image za pomocą hostowanego modelu. Zwracany typ predictImage() to ee.Image, który można dodać do mapy, użyć w innych obliczeniach, wyeksportować itp. Earth Engine automatycznie podzieli pasma wejściowe na kafelki i dostosuje projekcję wyjściową do zmian skali i nadmiernego podziału na kafelki. (więcej informacji o działaniu kafelkowania znajdziesz w dokumentacji TFRecord). Pamiętaj, że Earth Engine zawsze przekazuje do modelu tensory 3D, nawet jeśli pasma są skalarne (ostatni wymiar będzie wynosił 1).

Prawie wszystkie modele splotowe mają stałą projekcję wejściową (danych, na których model został wytrenowany). W takim przypadku ustaw parametr fixInputProj na true w wywołaniu ee.Model.fromAiPlatformPredictor(). Podczas wizualizacji prognoz zachowaj ostrożność przy pomniejszaniu modelu, który ma stałą projekcję wejściową. Wynika to z tego samego powodu, który opisaliśmy tutaj. W szczególności powiększenie do dużego zakresu przestrzennego może spowodować żądania zbyt dużej ilości danych i może objawiać się spowolnieniem lub odrzuceniem przez platformę AI.