Trang này có các quy trình mẫu để minh hoạ cách sử dụng TensorFlow với Earth Engine. Hãy xem trang về TensorFlow để biết thêm thông tin chi tiết. Các ví dụ này được viết bằng Earth Engine Python API và TensorFlow chạy trong Sổ tay Colab.
Chi phí
Dự đoán nhiều lớp bằng DNN
Mạng nơron "sâu" (DNN) chỉ đơn giản là một mạng nơron nhân tạo (ANN) có một hoặc nhiều lớp ẩn. Ví dụ này minh hoạ một DNN rất đơn giản với một lớp ẩn duy nhất. DNN lấy vectơ phổ làm dữ liệu đầu vào (tức là một pixel mỗi lần) và xuất một nhãn lớp và xác suất lớp trên mỗi pixel. Sổ tay Colab ở bên dưới minh hoạ cách tạo DNN, huấn luyện DNN bằng dữ liệu từ Earth Engine, đưa ra dự đoán về hình ảnh đã xuất và nhập dự đoán vào Earth Engine.
Chạy trong Google Colab
Xem mã nguồn trên GitHub
DNN có thể lưu trữ để dự đoán trong Earth Engine
Để nhận kết quả dự đoán từ mô hình đã huấn luyện ngay trong Earth Engine (ví dụ: trong Trình soạn thảo mã), bạn cần lưu trữ mô hình trên Google AI Platform. Hướng dẫn này minh hoạ cách lưu mô hình đã huấn luyện ở định dạng SavedModel, chuẩn bị mô hình để lưu trữ bằng lệnh earthengine model prepare và nhận thông tin dự đoán trong Earth Engine theo cách tương tác bằng ee.Model.fromAiPlatformPredictor.
Hồi quy logistic theo cách của TensorFlow
Các phương pháp học máy cổ điển như hồi quy logistic rất dễ triển khai trong TensorFlow. Sổ tay này minh hoạ một trình phát hiện phá rừng dựa trên hồi quy logistic từ trước và sau khi tổng hợp hằng năm. Xin lưu ý rằng mô hình rất đơn giản này chỉ nhằm mục đích minh hoạ; hãy thêm một vài lớp ẩn để tăng độ chính xác.
Hồi quy bằng FCNN
Mạng nơron "lớp phủ" (CNN) chứa một hoặc nhiều lớp phủ, trong đó dữ liệu đầu vào là các vùng lân cận của pixel, dẫn đến một mạng không được kết nối đầy đủ, nhưng phù hợp để xác định các mẫu không gian. Mạng nơron tích chập đầy đủ (FCNN) không chứa lớp liên thông đầy đủ dưới dạng đầu ra. Điều này có nghĩa là mô hình không học một đầu ra toàn cục (tức là một đầu ra cho mỗi hình ảnh), mà là các đầu ra được bản địa hoá (tức là cho mỗi pixel).
Sổ tay Colab này minh hoạ cách sử dụng mô hình UNET, một FCNN được phát triển để phân đoạn hình ảnh y tế, nhằm dự đoán đầu ra liên tục [0,1] trong mỗi pixel từ các pixel lân cận 256x256. Cụ thể, ví dụ này cho biết cách xuất các bản vá dữ liệu để đào tạo mạng và cách xếp chồng các bản vá hình ảnh để suy luận, nhằm loại bỏ các cấu phần phần mềm lỗi ở ranh giới thẻ thông tin.
Đào tạo về Nền tảng AI
Đối với các mô hình tương đối lớn (như ví dụ về FCNN), thời lượng hoạt động của máy ảo miễn phí mà sổ tay Colab chạy trên đó có thể không đủ cho một công việc huấn luyện chạy trong thời gian dài. Cụ thể, nếu lỗi dự đoán dự kiến không được giảm thiểu trên tập dữ liệu đánh giá, thì bạn nên lặp lại quá trình huấn luyện nhiều hơn. Để thực hiện các công việc đào tạo lớn trên đám mây, sổ tay Colab này minh hoạ cách gói mã đào tạo, bắt đầu công việc đào tạo, chuẩn bị SavedModel bằng lệnh earthengine model prepare và nhận thông tin dự đoán trong Earth Engine theo cách tương tác bằng ee.Model.fromAiPlatformPredictor.