Примеры рабочих процессов TensorFlow

На этой странице приведены примеры рабочих процессов, демонстрирующие использование TensorFlow с Earth Engine. Подробную информацию можно найти на странице TensorFlow. Эти примеры написаны с использованием Earth Engine Python API и TensorFlow, работающих в блокнотах Colab.

Расходы

Прогнозирование нескольких классов с помощью глубокой нейронной сети

Глубокая нейронная сеть – это искусственная нейронная сеть с одним или несколькими скрытыми слоями. В этом примере показана очень простая глубокая нейронная сеть с одним скрытым слоем. Глубокая нейронная сеть принимает спектральные векторы в качестве входных данных (по одному пикселю за раз) и выводит одну метку класса и вероятности классов для каждого пикселя. В блокноте Colab ниже показано, как создать глубокую нейронную сеть, обучить ее на данных из Earth Engine, сделать прогнозы на основе экспортированных снимков и импортировать прогнозы в Earth Engine.

Размещаемая глубокая нейронная сеть для прогнозирования в Earth Engine

Чтобы получать прогнозы от обученной модели непосредственно в Earth Engine (например, в редакторе кода), необходимо разместить модель на платформе Google AI. В этом руководстве показано, как сохранить обученную модель в формате SavedModel, подготовить ее к размещению с помощью команды earthengine model prepare и получить прогнозы в Earth Engine в интерактивном режиме с помощью ee.Model.fromAiPlatformPredictor.

Логистическая регрессия в TensorFlow

Классические методы машинного обучения, такие как логистическая регрессия, легко реализовать в TensorFlow. В этом блокноте показано, как на основе логистической регрессии обнаружить уничтожение лесов, сравнив годовые композитные изображения до и после. Обратите внимание, что эта очень простая модель предназначена только для демонстрации. Чтобы повысить точность, добавьте несколько скрытых слоев.

Регрессия с FCNN

Сверточная нейронная сеть (CNN) содержит один или несколько сверточных слоев, в которых входными данными являются соседние пиксели. В результате получается сеть, которая не является полностью связанной, но подходит для идентификации пространственных шаблонов. В полносверточной нейронной сети (FCNN) нет полносвязного слоя в качестве выходного. Это означает, что она не изучает глобальный вывод (т.е. один вывод на изображение), а скорее локализованные выводы (т.е. на пиксель).

В этом блокноте Colab показано, как использовать модель UNET, FCNN, разработанную для сегментации медицинских изображений, для прогнозирования непрерывного выходного значения [0,1] в каждом пикселе из окрестностей пикселей размером 256x256. В частности, в этом примере показано, как экспортировать фрагменты данных для обучения сети и как накладывать фрагменты изображений для инференса, чтобы устранить артефакты границ фрагментов.

Обучение на ИИ-платформе

Для относительно больших моделей (таких как FCNN) времени работы бесплатной виртуальной машины, на которой запускаются блокноты Colab, может быть недостаточно для длительного обучения. В частности, если ожидаемая ошибка прогноза не минимизирована в наборе данных для оценки, то может быть целесообразно провести больше итераций обучения. В этом блокноте Colab показано, как выполнять масштабные задачи обучения в облаке: упаковывать код обучения, запускать задачу обучения, подготавливать SavedModel с помощью команды earthengine model prepare и получать подсказки в Earth Engine в интерактивном режиме с помощью ee.Model.fromAiPlatformPredictor.