আর্থ ইঞ্জিনের সাথে টেনসরফ্লো-এর ব্যবহার প্রদর্শনের জন্য এই পৃষ্ঠায় উদাহরণ ওয়ার্কফ্লো রয়েছে। আরো বিস্তারিত জানার জন্য TensorFlow পৃষ্ঠা দেখুন। এই উদাহরণগুলি আর্থ ইঞ্জিন পাইথন API এবং Colab Notebook- এ চলমান TensorFlow ব্যবহার করে লেখা হয়েছে।
খরচ
একটি DNN সহ বহু-শ্রেণীর ভবিষ্যদ্বাণী
একটি "গভীর" নিউরাল নেটওয়ার্ক (DNN) হল এক বা একাধিক লুকানো স্তর সহ একটি কৃত্রিম নিউরাল নেটওয়ার্ক (ANN)। এই উদাহরণটি একটি একক লুকানো স্তর সহ একটি খুব সাধারণ DNN প্রদর্শন করে৷ DNN বর্ণালী ভেক্টরকে ইনপুট হিসাবে নেয় (অর্থাৎ এক সময়ে একটি পিক্সেল) এবং প্রতি পিক্সেলে একটি একক শ্রেণীর লেবেল এবং শ্রেণী সম্ভাব্যতা আউটপুট করে। নীচের Colab নোটবুকটি DNN তৈরি করা, আর্থ ইঞ্জিন থেকে ডেটা দিয়ে প্রশিক্ষণ দেওয়া, রপ্তানি করা চিত্রগুলির পূর্বাভাস দেওয়া এবং আর্থ ইঞ্জিনে পূর্বাভাস আমদানি করা দেখায়।
Google Colab-এ চালান
GitHub-এ উৎস দেখুনআর্থ ইঞ্জিনে ভবিষ্যদ্বাণীর জন্য হোস্টেবল ডিএনএন
আপনার প্রশিক্ষিত মডেল থেকে সরাসরি আর্থ ইঞ্জিনে (যেমন কোড এডিটরে ) ভবিষ্যদ্বাণী পেতে, আপনাকে Google AI প্ল্যাটফর্মে মডেলটি হোস্ট করতে হবে। এই নির্দেশিকা প্রদর্শন করে কিভাবে একটি প্রশিক্ষিত মডেলকে SavedModel ফরম্যাটে সংরক্ষণ করতে হয়, earthengine model prepare কমান্ডের সাহায্যে হোস্টিংয়ের জন্য মডেল প্রস্তুত করতে হয় এবং ee.Model.fromAiPlatformPredictor সাথে ইন্টারেক্টিভভাবে আর্থ ইঞ্জিনে ভবিষ্যদ্বাণী পেতে হয়।
টেনসরফ্লো উপায়ে লজিস্টিক রিগ্রেশন
ক্লাসিক্যাল মেশিন লার্নিং পদ্ধতি যেমন লজিস্টিক রিগ্রেশন টেনসরফ্লোতে প্রয়োগ করা স্বাভাবিক। এই নোটবুকটি বার্ষিক কম্পোজিটের আগে এবং পরে একটি লজিস্টিক রিগ্রেশন ভিত্তিক বন উজাড় আবিষ্কারক প্রদর্শন করে। মনে রাখবেন যে এই খুব সরল মডেলটি শুধুমাত্র প্রদর্শনের উদ্দেশ্যে; উচ্চ নির্ভুলতার জন্য কয়েকটি লুকানো স্তর যোগ করুন।
একটি FCNN এর সাথে রিগ্রেশন
একটি "কনভোলিউশনাল" নিউরাল নেটওয়ার্ক (CNN) এক বা একাধিক কনভোলিউশনাল লেয়ার ধারণ করে, যেখানে ইনপুটগুলি পিক্সেলের আশেপাশের হয়, যার ফলে এমন একটি নেটওয়ার্ক তৈরি হয় যা সম্পূর্ণ-সংযুক্ত নয়, কিন্তু স্থানিক নিদর্শনগুলি সনাক্ত করার জন্য উপযুক্ত। একটি সম্পূর্ণ কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (FCNN) আউটপুট হিসাবে একটি সম্পূর্ণ-সংযুক্ত স্তর ধারণ করে না। এর মানে হল যে এটি একটি গ্লোবাল আউটপুট (যেমন প্রতি ইমেজ একটি একক আউটপুট) শেখে না, বরং স্থানীয় আউটপুট (যেমন প্রতি-পিক্সেল) শেখে।
এই Colab নোটবুকটি UNET মডেলের ব্যবহার প্রদর্শন করে, একটি FCNN যা মেডিকেল ইমেজ সেগমেন্টেশনের জন্য তৈরি করা হয়েছে, প্রতি পিক্সেলে 256x256 পিক্সেল থেকে একটি অবিচ্ছিন্ন [0,1] আউটপুট অনুমান করার জন্য। বিশেষত, এই উদাহরণটি দেখায় যে কীভাবে নেটওয়ার্ককে প্রশিক্ষণ দিতে ডেটার প্যাচগুলি রপ্তানি করতে হয় এবং কীভাবে টাইল বাউন্ডারি আর্টিফ্যাক্টগুলিকে নির্মূল করার জন্য অনুমানের জন্য চিত্র প্যাচগুলিকে ওভারটাইল করতে হয়।
এআই প্ল্যাটফর্মে প্রশিক্ষণ
তুলনামূলকভাবে বড় মডেলের জন্য (যেমন FCNN উদাহরণ), বিনামূল্যের ভার্চুয়াল মেশিনের দীর্ঘায়ু যেটাতে Colab নোটবুক চলে তা দীর্ঘমেয়াদী প্রশিক্ষণের কাজের জন্য যথেষ্ট নাও হতে পারে। বিশেষ করে, যদি মূল্যায়ন ডেটাসেটে প্রত্যাশিত ভবিষ্যদ্বাণী ত্রুটি কম করা না হয়, তাহলে আরও প্রশিক্ষণের পুনরাবৃত্তি বিচক্ষণ হতে পারে। ক্লাউডে বড় প্রশিক্ষণের কাজ করার জন্য, এই Colab নোটবুকটি দেখায় কিভাবে আপনার প্রশিক্ষণ কোড প্যাকেজ করতে হয় , একটি প্রশিক্ষণের কাজ শুরু করতে হয় , earthengine model prepare কমান্ডের সাহায্যে একটি SavedModel প্রস্তুত করতে হয় এবং ee.Model.fromAiPlatformPredictor সাথে ইন্টারেক্টিভভাবে আর্থ ইঞ্জিনে ভবিষ্যদ্বাণী পেতে হয়।