TensorFlow के उदाहरण के तौर पर दिए गए वर्कफ़्लो

इस पेज पर, Earth Engine के साथ TensorFlow के इस्तेमाल को दिखाने के लिए, वर्कफ़्लो के उदाहरण दिए गए हैं. ज़्यादा जानकारी के लिए, TensorFlow पेज देखें. ये उदाहरण, Earth Engine Python API और Colab Notebooks में चल रहे TensorFlow का इस्तेमाल करके लिखे गए हैं.

लागत

डीएनएन की मदद से, मल्टी-क्लास प्रेडिक्शन

"डीप" न्यूरल नेटवर्क (डीएनएन), एक या उससे ज़्यादा छिपी हुई लेयर वाला आर्टिफ़िशियल न्यूरल नेटवर्क (एएनएन) होता है. इस उदाहरण में, एक छिपी हुई लेयर वाला बहुत ही आसान डीएनएन दिखाया गया है. डीएनएन, स्पेक्ट्रल वेक्टर को इनपुट के तौर पर लेता है.इसका मतलब है कि एक बार में एक पिक्सल. इसके बाद, हर पिक्सल के लिए एक क्लास लेबल और क्लास की संभावनाओं को आउटपुट के तौर पर दिखाता है. नीचे दी गई Colab notebook में, डीएनएन बनाने, Earth Engine के डेटा से उसे ट्रेनिंग देने, एक्सपोर्ट की गई इमेज के आधार पर अनुमान लगाने, और अनुमानों को Earth Engine में इंपोर्ट करने का तरीका बताया गया है.

Earth Engine में पूर्वानुमान लगाने के लिए, होस्ट किया जा सकने वाला डीएनएन

ट्रेन किए गए मॉडल से सीधे Earth Engine (जैसे, कोड एडिटर में) में अनुमान पाने के लिए, आपको मॉडल को Google AI Platform पर होस्ट करना होगा. इस गाइड में, ट्रेन किए गए मॉडल को SavedModel फ़ॉर्मैट में सेव करने का तरीका बताया गया है. साथ ही, earthengine model prepare कमांड की मदद से मॉडल को होस्ट करने के लिए तैयार करने और ee.Model.fromAiPlatformPredictor की मदद से Earth Engine में इंटरैक्टिव तरीके से अनुमान पाने का तरीका बताया गया है.

TensorFlow के तरीके से लॉजिस्टिक रिग्रेशन

मशीन लर्निंग के क्लासिकल तरीके, जैसे कि लॉजिस्टिक रिग्रेशन को TensorFlow में आसानी से लागू किया जा सकता है. इस नोटबुक में, लॉजिस्टिक रिग्रेशन पर आधारित जंगलों की कटाई का पता लगाने वाले टूल के बारे में बताया गया है. यह टूल, सालाना कंपोज़िट से पहले और बाद के डेटा का इस्तेमाल करता है. ध्यान दें कि यह बहुत ही आसान मॉडल है. इसे सिर्फ़ डेमो के लिए इस्तेमाल किया गया है. ज़्यादा सटीक नतीजे पाने के लिए, कुछ छिपी हुई लेयर जोड़ें.

एफ़सीएनएन के साथ रिग्रेशन

"कॉन्वोल्यूशनल" न्यूरल नेटवर्क (सीएनएन) में एक या उससे ज़्यादा कॉन्वोल्यूशनल लेयर होती हैं. इनमें इनपुट, पिक्सल के आस-पास के हिस्से होते हैं. इससे ऐसा नेटवर्क बनता है जो पूरी तरह से कनेक्ट नहीं होता, लेकिन स्पेशल पैटर्न की पहचान करने के लिए सही होता है. फ़ुल्ली कॉन्वोलूशनल न्यूरल नेटवर्क (एफ़सीएनएन) में, आउटपुट के तौर पर फ़ुल्ली-कनेक्टेड लेयर नहीं होती. इसका मतलब है कि यह ग्लोबल आउटपुट (यानी कि हर इमेज के लिए एक आउटपुट) नहीं सीखता, बल्कि स्थानीय आउटपुट (यानी कि हर पिक्सल के लिए) सीखता है.

इस Colab notebook में, UNET मॉडल के इस्तेमाल के बारे में बताया गया है. यह एक FCNN है, जिसे मेडिकल इमेज सेगमेंटेशन के लिए डेवलप किया गया है. इसका इस्तेमाल, 256x256 पिक्सल के आस-पास के पिक्सल से हर पिक्सल में लगातार [0,1] आउटपुट का अनुमान लगाने के लिए किया जाता है. खास तौर पर, इस उदाहरण में नेटवर्क को ट्रेन करने के लिए डेटा के पैच एक्सपोर्ट करने का तरीका बताया गया है. साथ ही, टाइल की बाउंड्री आर्टफ़ैक्ट को हटाने के लिए, अनुमान लगाने के लिए इमेज के पैच को ओवरटाइल करने का तरीका बताया गया है.

एआई प्लैटफ़ॉर्म पर ट्रेनिंग देना

FCNN जैसे बड़े मॉडल के लिए, Colab नोटबुक को चलाने वाली मुफ़्त वर्चुअल मशीन की लाइफ़टाइम, लंबे समय तक चलने वाले ट्रेनिंग जॉब के लिए काफ़ी नहीं हो सकती. खास तौर पर, अगर इवैलुएशन डेटासेट पर अनुमान से जुड़ी गड़बड़ी को कम नहीं किया जाता है, तो ट्रेनिंग के ज़्यादा इटरेशन का इस्तेमाल करना समझदारी होगी. Cloud में बड़े पैमाने पर ट्रेनिंग जॉब चलाने के लिए, इस Colab notebook में ट्रेनिंग कोड को पैकेज करने, ट्रेनिंग जॉब शुरू करने, earthengine model prepare कमांड की मदद से SavedModel तैयार करने, और ee.Model.fromAiPlatformPredictor की मदद से Earth Engine में इंटरैक्टिव तरीके से अनुमान पाने का तरीका बताया गया है.