Trang này có các quy trình công việc mẫu để minh hoạ cách sử dụng TensorFlow với Earth Engine. Hãy xem trang 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 mỗi lần một pixel) và xuất ra một nhãn lớp và xác suất lớp cho mỗi pixel. Sổ tay Colab dưới đây 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 thông tin dự đoán vào Earth Engine.
DNN có thể lưu trữ để dự đoán trong Earth Engine
Để nhận thông tin 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 Nền tảng AI của Google. 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 một 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 là những phương pháp tự nhiên để triển khai trong TensorFlow. Sổ tay này minh hoạ một công cụ phát hiện nạn phá rừng dựa trên hồi quy logistic từ các ảnh tổng hợp hằng năm trước và sau. Xin lưu ý rằng mô hình rất đơn giản này chỉ nhằm mục đích minh hoạ; hãy thêm một vài lớp ẩn để có độ chính xác cao hơn.
Hồi quy bằng FCNN
Mạng nơron "tích chập" (CNN) chứa một hoặc nhiều lớp tích chập, trong đó dữ liệu đầu vào là các vùng lân cận của pixel, tạo ra một mạng không được kết nối đầy đủ nhưng phù hợp để xác định các mẫu không gian. Mạng nơron tích chập hoàn toàn (FCNN) không chứa lớp liên thông đầy đủ làm đầu ra. Điều này có nghĩa là mô hình không học một kết quả đầu ra chung (tức là một kết quả đầu ra duy nhất cho mỗi hình ảnh), mà học các kết quả đầu ra được bản địa hoá (tức là theo từng 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 kết quả đầu ra liên tục [0,1] trong mỗi pixel từ các vùng lân cận pixel 256x256. Cụ thể, ví dụ này cho thấy cách xuất các mảng dữ liệu để huấn luyện mạng và cách xếp chồng các mảng hình ảnh để suy luận, nhằm loại bỏ các cấu phần phần mềm ranh giới của thẻ thông tin.
Huấn luyện trên Nền tảng AI
Đối với các mô hình tương đối lớn (như ví dụ về FCNN), tuổi thọ 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 thực hiện thêm các lần lặp huấn luyện. Để thực hiện các công việc huấn luyện lớn trên đám mây, sổ tay Colab này minh hoạ cách đóng gói mã huấn luyện, bắt đầu một công việc huấn luyện, chuẩn bị một SavedModel bằng lệnh earthengine model prepare và nhận thông tin dự đoán trong Earth Engine một cách tương tác bằng ee.Model.fromAiPlatformPredictor.
Chạy trong Google Colab
Xem nguồn trên GitHub