تحتوي هذه الصفحة على أمثلة على سير العمل لتوضيح استخدامات TensorFlow مع Earth Engine. لمزيد من التفاصيل، يُرجى الاطّلاع على صفحة TensorFlow. تمت كتابة هذه الأمثلة باستخدام Earth Engine Python API وTensorFlow الذي يعمل في أوراق ملاحظات Colab.
التكاليف
التنبؤ المتعدد الفئات باستخدام شبكة عصبية عميقة (DNN)
الشبكة العصبونية "العميقة" (DNN) هي ببساطة شبكة عصبونية اصطناعية (ANN) تحتوي على طبقة مخفية واحدة أو أكثر. يوضّح هذا المثال شبكة عصبية عميقة بسيطة جدًا تتضمّن طبقة مخفية واحدة. تأخذ الشبكة العصبية العميقة المتجهات الطيفية كمدخلات (أي بكسل واحد في كل مرة) وتُخرج تصنيف فئة واحد واحتمالات الفئة لكل بكسل. توضّح ورقة ملاحظات Colab أدناه كيفية إنشاء شبكة عصبية عميقة وتدريبها باستخدام بيانات من Earth Engine، وإجراء توقّعات على الصور المصدَّرة واستيراد التوقّعات إلى Earth Engine.
شبكة عصبية عميقة (DNN) قابلة للاستضافة للتوقّعات في Earth Engine
للحصول على توقّعات من النموذج المدرَّب مباشرةً في Earth Engine (مثلاً في
أداة تعديل الرموز)، عليك استضافة النموذج
على منصة الذكاء الاصطناعي من Google. يوضّح هذا الدليل كيفية حفظ نموذج مدرَّب بتنسيق SavedModel وإعداد النموذج للاستضافة باستخدام الأمر earthengine model prepare والحصول على توقّعات في Earth Engine بشكل تفاعلي باستخدام ee.Model.fromAiPlatformPredictor.
الانحدار اللوجستي باستخدام TensorFlow
يمكن تنفيذ طرق تعلُّم الآلة الكلاسيكية، مثل الانحدار اللوجستي، بشكل طبيعي في TensorFlow. يعرض دفتر الملاحظات هذا أداة رصد لإزالة الغابات تستند إلى الانحدار اللوجستي من الصور المركّبة السنوية قبل وبعد. يُرجى العِلم أنّ هذا النموذج البسيط للغاية مخصّص لأغراض توضيحية فقط، ويمكنك إضافة بضع طبقات مخفية لزيادة الدقة.
الانحدار باستخدام شبكة عصبية متصلة بالكامل (FCNN)
تحتوي الشبكة العصبونية "الالتفافية" (CNN) على طبقة التفافية واحدة أو أكثر، حيث تكون المدخلات عبارة عن وحدات بكسل متجاورة، ما ينتج عنه شبكة غير متصلة بالكامل، ولكنها مناسبة لتحديد الأنماط المكانية. لا تحتوي الشبكة العصبونية الالتفافية الكاملة (FCNN) على طبقة مكتملة الاتصال كمخرجات. وهذا يعني أنّه لا يتعلّم مخرجات عامة (أي مخرجات فردية لكل صورة)، بل مخرجات محلية (أي لكل بكسل).
توضّح ورقة ملاحظات Colab هذه استخدام نموذج UNET، وهو شبكة عصبية تلافيفية بالكامل (FCNN) تم تطويرها لتقسيم الصور الطبية، من أجل توقّع ناتج مستمر [0,1] في كل بكسل من مجموعات البكسل المجاورة بحجم 256×256. على وجه التحديد، يوضّح هذا المثال كيفية تصدير أجزاء من البيانات لتدريب الشبكة وكيفية تراكب أجزاء الصور للاستنتاج، وذلك لإزالة العناصر غير المرغوب فيها في حدود المربّعات.
التدريب على منصة ذكاء اصطناعي
بالنسبة إلى النماذج الكبيرة نسبيًا (مثل نموذج FCNN)، قد لا تكون مدة تشغيل الجهاز الافتراضي المجاني الذي تعمل عليه أوراق ملاحظات Colab كافية لمهمة تدريب طويلة الأمد. على وجه التحديد، إذا لم يتم تقليل خطأ التوقّع المتوقّع إلى أدنى حد في مجموعة بيانات التقييم، قد يكون من الأفضل إجراء المزيد من تكرارات التدريب. لتنفيذ مهام تدريبية كبيرة في السحابة الإلكترونية، توضّح ورقة ملاحظات Colab هذه كيفية تجميع رمز التدريب وبدء مهمة تدريبية وإعداد SavedModel باستخدام الأمر earthengine model prepare والحصول على توقّعات في Earth Engine بشكل تفاعلي باستخدام ee.Model.fromAiPlatformPredictor.
التشغيل في Google Colab
عرض المصدر على GitHub