Halaman ini memiliki contoh alur kerja untuk menunjukkan penggunaan TensorFlow dengan Earth Engine. Lihat halaman TensorFlow untuk mengetahui detail selengkapnya. Contoh ini ditulis menggunakan Earth Engine Python API dan TensorFlow yang berjalan di Notebook Colab.
Biaya
Prediksi multi-class dengan DNN
Jaringan neural "dalam" (DNN) hanyalah jaringan neural buatan (ANN) dengan satu atau beberapa lapisan tersembunyi. Contoh ini menunjukkan DNN yang sangat sederhana dengan satu lapisan tersembunyi. DNN mengambil vektor spektral sebagai input (yaitu satu piksel pada satu waktu) dan menghasilkan satu label class dan probabilitas class per piksel. Notebook Colab di bawah menunjukkan cara membuat DNN, melatihnya dengan data dari Earth Engine, membuat prediksi pada gambar yang diekspor, dan mengimpor prediksi ke Earth Engine.
Jalankan di Google Colab
Lihat sumber di GitHub
DNN yang dapat dihosting untuk prediksi di Earth Engine
Untuk mendapatkan prediksi dari model terlatih langsung di Earth Engine (misalnya di Editor Kode), Anda harus menghosting model di Google AI Platform. Panduan ini
menunjukkan cara menyimpan model terlatih dalam
format SavedModel, menyiapkan model untuk dihosting dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth Engine secara interaktif dengan
ee.Model.fromAiPlatformPredictor.
Regresi logistik dengan cara TensorFlow
Metode machine learning klasik seperti regresi logistik mudah diterapkan di TensorFlow. Notebook ini menunjukkan detektor deforestasi berbasis regresi logistik dari sebelum dan setelah komposit tahunan. Perhatikan bahwa model yang sangat sederhana ini hanya untuk tujuan demonstrasi; tambahkan beberapa lapisan tersembunyi untuk akurasi yang lebih tinggi.
Regresi dengan FCNN
Jaringan neural "konvolusi" (CNN) berisi satu atau beberapa lapisan konvolusi, dengan input berupa lingkungan piksel, sehingga menghasilkan jaringan yang tidak terhubung sepenuhnya, tetapi cocok untuk mengidentifikasi pola spasial. Jaringan saraf konvolusi penuh (FCNN) tidak berisi lapisan terhubung sepenuhnya sebagai output. Artinya, model ini tidak mempelajari output global (yaitu satu output per gambar), tetapi output yang dilokalkan (yaitu per piksel).
Notebook Colab ini menunjukkan penggunaan model UNET, FCNN yang dikembangkan untuk segmentasi gambar medis, untuk memprediksi output [0,1] berkelanjutan di setiap piksel dari lingkungan piksel 256x256. Secara khusus, contoh ini menunjukkan cara mengekspor patch data untuk melatih jaringan dan cara menempatkan patch gambar secara berlebihan untuk inferensi, guna menghilangkan artefak batas ubin.
Pelatihan di AI Platform
Untuk model yang relatif besar (seperti contoh FCNN), masa pakai virtual machine gratis
tempat notebook Colab berjalan mungkin tidak memadai untuk tugas pelatihan
yang berjalan lama. Secara khusus, jika error prediksi yang diharapkan tidak diminimalkan pada set data
evaluasi, lebih banyak iterasi pelatihan mungkin diperlukan. Untuk menjalankan tugas pelatihan
besar di Cloud, notebook Colab ini menunjukkan cara
memaketkan kode pelatihan
Anda, memulai
tugas pelatihan, menyiapkan
SavedModel
dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth
Engine secara interaktif dengan ee.Model.fromAiPlatformPredictor.