Bu sayfada, TensorFlow'un Earth Engine ile kullanımlarını gösteren örnek iş akışları bulunmaktadır. Daha fazla bilgi için TensorFlow sayfasına bakın. Bu örnekler, Earth Engine Python API ve Colab Not Defterleri'nde çalışan TensorFlow kullanılarak yazılmıştır.
Maliyetler
DNN ile çok sınıflı tahmin
"Derin" nöral ağ (DNN), bir veya daha fazla gizli katmana sahip yapay nöral ağdır (ANN). Bu örnekte, tek gizli katmana sahip çok basit bir DNN gösterilmektedir. DNN, giriş olarak spektral vektörleri (yani her seferinde bir piksel) alır ve piksel başına tek bir sınıf etiketi ve sınıf olasılıkları döndürür. Aşağıdaki Colab not defterinde, DNN'nin oluşturulması, Earth Engine'daki verilerle eğitilmesi, dışa aktarılan görüntüler üzerinde tahminler yapılması ve tahminlerin Earth Engine'a aktarılması gösterilmektedir.
Google Colab'da çalıştır
GitHub'da kaynağı görüntüleyin
Earth Engine'da tahmin için barındırılabilir DNN
Eğitilmiş modelinizden doğrudan Earth Engine'da (ör. Kod Düzenleyici'de) tahmin almak için modeli Google AI Platform'da barındırmanız gerekir. Bu kılavuzda, eğitilmiş bir modelin SavedModel biçiminde nasıl kaydedileceği, earthengine model prepare komutuyla modelin barındırılmaya hazırlanması ve ee.Model.fromAiPlatformPredictor ile Earth Engine'da etkileşimli olarak tahminler alınması gösterilmektedir.
TensorFlow ile mantıksal regresyon
Mantıksal regresyon gibi klasik makine öğrenimi yöntemleri TensorFlow'da doğal olarak uygulanabilir. Bu not defterinde, yıllık kompozitlerden önce ve sonra ormansızlaşmayı algılamaya yönelik mantıksal regresyon tabanlı bir algılayıcı gösterilmektedir. Bu son derece basit modelin yalnızca açıklama amacıyla kullanıldığını unutmayın. Daha yüksek doğruluk için birkaç gizli katman ekleyin.
FCNN ile regresyon
"Dönüştürme" nöral ağı (CNN), girişlerin piksel mahalleleri olduğu bir veya daha fazla dönüşüm katmanı içerir. Bu, tam olarak bağlı olmayan ancak mekansal kalıpları tanımlamaya uygun bir ağ oluşturur. Tam bağlantılı bir konvolusyonel sinir ağı (FCNN), çıkış olarak tam bağlantılı bir katman içermez. Bu, genel bir çıkış (ör. görüntü başına tek bir çıkış) değil, yerelleştirilmiş çıkışlar (ör. piksel başına) öğrendiği anlamına gelir.
Bu Colab not defterinde, 256x256 piksellik piksel mahallelerinden her piksel için kesintisiz bir [0,1] çıkışı tahmin etmek amacıyla tıbbi görüntü segmentasyonu için geliştirilmiş bir FCNN olan UNET modelinin kullanımı gösterilmektedir. Bu örnekte, ağı eğitmek için veri yamalarını nasıl dışa aktaracağınız ve karo sınırı yapılarını ortadan kaldırmak amacıyla çıkarım için görüntü yamalarını nasıl aşırı karolayacağınız gösterilmektedir.
AI Platform'da eğitim
Nispeten büyük modeller (FCNN örneği gibi) için Colab not defterlerinin çalıştığı ücretsiz sanal makinenin kullanım süresi, uzun süren bir eğitim işi için yeterli olmayabilir. Daha açık belirtmek gerekirse, beklenen tahmin hatası değerlendirme veri kümesinde en aza indirilmezse daha fazla eğitim iterasyonu yapılması uygun olabilir. Bu Colab not defterinde, Bulut'ta büyük eğitim işleri gerçekleştirmek için eğitim kodunuzu nasıl paketleyeceğiniz, eğitim işi nasıl başlatacağınız, earthengine model prepare komutuyla nasıl SavedModel hazırlayacağınız ve ee.Model.fromAiPlatformPredictor ile Earth Engine'de nasıl etkileşimli tahminler alacağınız gösterilmektedir.