Przykładowe przepływy pracy w TensorFlow

Na tej stronie znajdziesz przykładowe przepływy pracy, które pokazują, jak używać TensorFlow z Earth Engine. Więcej informacji znajdziesz na stronie TensorFlow. Te przykłady zostały napisane przy użyciu interfejsu Earth Engine Python API i TensorFlow działających w notatnikach Colab.

Koszty

Prognozowanie wieloklasowe za pomocą głębokiej sieci neuronowej

„Głęboka” sieć neuronowa (DNN) to po prostu sztuczna sieć neuronowa (ANN) z co najmniej 1 warstwą ukrytą. Ten przykład pokazuje bardzo prostą sieć DNN z jedną warstwą ukrytą. Głęboka sieć neuronowa przyjmuje wektory spektralne jako dane wejściowe (tj. po jednym pikselu naraz) i zwraca pojedynczą etykietę klasy oraz prawdopodobieństwa klas dla każdego piksela. Notatnik Colab poniżej pokazuje, jak utworzyć sieć DNN, wytrenować ją za pomocą danych z Earth Engine, wygenerować prognozy na podstawie wyeksportowanych zdjęć i zaimportować prognozy do Earth Engine.

Sieć DNN z możliwością hostowania do prognozowania w Earth Engine

Aby uzyskać prognozy z wytrenowanego modelu bezpośrednio w Earth Engine (np. w Edytorze kodu), musisz hostować model na platformie AI od Google. Z tego przewodnika dowiesz się, jak zapisać wytrenowany model w formacie SavedModel, przygotować go do hostowania za pomocą polecenia earthengine model prepare i interaktywnie uzyskiwać prognozy w Earth Engine za pomocą ee.Model.fromAiPlatformPredictor.

Regresja logistyczna w TensorFlow

Klasyczne metody uczenia maszynowego, takie jak regresja logistyczna, można łatwo wdrożyć w TensorFlow. Ten notatnik przedstawia detektor wylesiania oparty na regresji logistycznej, który wykorzystuje kompozycje roczne przed i po. Pamiętaj, że ten bardzo uproszczony model służy tylko do celów demonstracyjnych. Aby uzyskać większą dokładność, dodaj kilka warstw ukrytych.

Regresja z użyciem FCNN

„Splotowa” sieć neuronowa (CNN) zawiera co najmniej 1 warstwę splotową, w której danymi wejściowymi są sąsiedztwa pikseli. W efekcie powstaje sieć, która nie jest w pełni połączona, ale nadaje się do identyfikowania wzorców przestrzennych. W pełni splotowa sieć neuronowa (FCNN) nie zawiera w pełni połączonej warstwy jako danych wyjściowych. Oznacza to, że nie uczy się globalnych danych wyjściowych (czyli pojedynczych danych wyjściowych na obraz), ale danych wyjściowych zlokalizowanych (czyli na piksel).

Ten notatnik Colab pokazuje, jak używać modelu UNET, czyli sieci FCNN opracowanej na potrzeby segmentacji obrazów medycznych, do prognozowania ciągłych danych wyjściowych [0,1] w każdym pikselu z sąsiedztwa pikseli 256 x 256. Ten przykład pokazuje, jak eksportować fragmenty danych do trenowania sieci i jak nakładać fragmenty obrazów na siebie, aby wyeliminować artefakty na granicach fragmentów.

Trenowanie na platformie AI

W przypadku stosunkowo dużych modeli (takich jak przykładowy FCNN) czas działania bezpłatnej maszyny wirtualnej, na której działają notatniki Colab, może nie być wystarczający do długotrwałego zadania trenowania. W szczególności, jeśli oczekiwany błąd prognozy nie jest zminimalizowany w zbiorze danych oceny, warto przeprowadzić więcej iteracji trenowania. W tym notatniku Colab pokazujemy, jak spakować kod trenowania, rozpocząć zadanie trenowania, przygotować SavedModel za pomocą polecenia earthengine model prepare i interaktywnie uzyskiwać prognozy w Earth Engine za pomocą ee.Model.fromAiPlatformPredictor, aby wykonywać duże zadania trenowania w chmurze.