TensorFlow-এর উদাহরণ ওয়ার্কফ্লো

এই পৃষ্ঠায় Earth Engine-এর সাথে TensorFlow-এর ব্যবহার দেখানোর জন্য উদাহরণ হিসেবে ওয়ার্কফ্লো দেওয়া আছে। আরও বিবরণের জন্য TensorFlow পৃষ্ঠা দেখুন। এই উদাহরণগুলি Earth Engine Python API এবং Colab Notebooks-এ চলা TensorFlow ব্যবহার করে লেখা হয়েছে।

খরচ

DNN-এর মাধ্যমে মাল্টি-ক্লাস প্রেডিকশন

"ডিপ" নিউরাল নেটওয়ার্ক (DNN) হল এক বা একাধিক লুকানো লেয়ার সহ আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক (ANN)। এই উদাহরণে একটি লুকানো লেয়ার সহ খুব সহজ DNN দেখানো হয়েছে। DNN ইনপুট হিসেবে স্পেকট্রাল ভেক্টর নেয় (অর্থাৎ, একবারে একটি পিক্সেল) এবং পিক্সেল প্রতি একটি ক্লাস লেবেল ও ক্লাস সম্ভাবনা আউটপুট হিসেবে দেয়। নিচের Colab নোটবুক DNN তৈরি করা, Earth Engine থেকে পাওয়া ডেটা দিয়ে এটিকে ট্রেনিং দেওয়া, এক্সপোর্ট করা ছবির উপর ভিত্তি করে অনুমান করা এবং Earth Engine-এ অনুমান ইম্পোর্ট করার পদ্ধতি দেখায়।

Earth Engine-এ পূর্বাভাসের জন্য হোস্টেবল DNN

Earth Engine-এ সরাসরি আপনার ট্রেনিংপ্রাপ্ত মডেল থেকে পূর্বাভাস পেতে (যেমন, কোড এডিটর-এ), আপনাকে Google AI প্ল্যাটফর্মে মডেলটি হোস্ট করতে হবে। এই নির্দেশিকা দেখায় যে কীভাবে একটি প্রশিক্ষিত মডেলকে SavedModel ফর্ম্যাটে সেভ করতে হয়, earthengine model prepare কমান্ডের মাধ্যমে হোস্টিংয়ের জন্য মডেলটি প্রস্তুত করতে হয় এবং ee.Model.fromAiPlatformPredictor-এর মাধ্যমে Earth Engine-এ ইন্টার‍্যাক্টিভভাবে পূর্বাভাস পেতে হয়।

TensorFlow-এর মাধ্যমে লজিস্টিক রিগ্রেশন

লজিস্টিক রিগ্রেশনের মতো ক্লাসিক্যাল মেশিন লার্নিং পদ্ধতি TensorFlow-তে প্রয়োগ করা স্বাভাবিক। এই নোটবুকটি বার্ষিক কম্পোজিটের আগে এবং পরে লজিস্টিক রিগ্রেশন-ভিত্তিক বন উজাড় ডিটেক্টর প্রদর্শন করে। মনে রাখবেন যে এই খুব সহজ মডেলটি শুধুমাত্র ডেমো দেখানোর উদ্দেশ্যে; আরও নির্ভুলতার জন্য কয়েকটি লুকানো লেয়ার যোগ করুন।

FCNN-এর সাথে রিগ্রেশন

"কনভলিউশনাল" নিউরাল নেটওয়ার্কে (CNN) এক বা একাধিক কনভলিউশনাল লেয়ার থাকে, যেখানে ইনপুট হল পিক্সেলের প্রতিবেশী, যার ফলে এমন একটি নেটওয়ার্ক তৈরি হয় যা সম্পূর্ণভাবে কানেক্টেড নয়, তবে স্পেশিয়াল প্যাটার্ন শনাক্ত করার জন্য উপযুক্ত। একটি সম্পূর্ণ কনভোলিউশনাল নিউরাল নেটওয়ার্কে (FCNN) আউটপুট হিসেবে সম্পূর্ণ-কানেক্টেড লেয়ার থাকে না। এর অর্থ হল, এটি গ্লোবাল আউটপুট (অর্থাৎ, প্রতিটি ছবির জন্য একটি আউটপুট) শেখে না, বরং লোকালাইজড আউটপুট (অর্থাৎ, পিক্সেল প্রতি) শেখে।

এই Colab নোটবুকটি UNET মডেল-এর ব্যবহার দেখায়, এটি একটি FCNN যা মেডিকেল ইমেজ সেগমেন্টেশনের জন্য তৈরি করা হয়েছে, ২৫৬x২৫৬ পিক্সেলের আশেপাশের প্রতিটি পিক্সেলে একটি অবিচ্ছিন্ন [০,১] আউটপুটের পূর্বাভাস দেওয়ার জন্য। বিশেষ করে, এই উদাহরণে দেখানো হয়েছে যে কীভাবে নেটওয়ার্ককে ট্রেনিং দেওয়ার জন্য ডেটার প্যাচ এক্সপোর্ট করতে হয় এবং টাইল বাউন্ডারি আর্টিফ্যাক্ট বাদ দেওয়ার জন্য কীভাবে অনুমানের জন্য ইমেজ প্যাচ ওভারটাইল করতে হয়।

AI প্ল্যাটফর্মে ট্রেনিং দেওয়া

তুলনামূলকভাবে বড় মডেলের (যেমন FCNN উদাহরণ) ক্ষেত্রে, ফ্রি ভার্চুয়াল মেশিনের আয়ু, যার উপর Colab নোটবুক রান করে, তা দীর্ঘ সময় ধরে চলা ট্রেনিংয়ের কাজের জন্য পর্যাপ্ত নাও হতে পারে। বিশেষ করে, মূল্যায়ন ডেটাসেটে প্রত্যাশিত পূর্বাভাসের ত্রুটি যদি ন্যূনতম না হয়, তাহলে আরও ট্রেনিং ইটারেশন করা বুদ্ধিমানের কাজ হবে। Cloud-এ বড় ট্রেনিং জব পারফর্ম করার জন্য, এই Colab নোটবুক দেখায় যে কীভাবে আপনার ট্রেনিং কোড প্যাকেজ করবেন, একটি ট্রেনিং জব শুরু করবেন, earthengine model prepare কমান্ডের সাহায্যে SavedModel প্রস্তুত করবেন এবং ee.Model.fromAiPlatformPredictor-এর সাহায্যে Earth Engine-এ ইন্টার‍্যাক্টিভভাবে অনুমান পাবেন।