Beispiel-Workflows für TensorFlow

Auf dieser Seite finden Sie Beispielworkflows, die die Verwendung von TensorFlow mit der Earth Engine veranschaulichen. Weitere Informationen finden Sie auf der TensorFlow-Seite. Diese Beispiele wurden mit der Earth Engine Python API und TensorFlow geschrieben, die in Colab-Notebooks ausgeführt werden.

Kosten

Vorhersage mit mehreren Klassen mit einem DNN

Ein „tiefes“ neuronales Netzwerk (DNN) ist einfach ein künstliches neuronales Netzwerk (ANN) mit einer oder mehreren versteckten Schichten. Dieses Beispiel zeigt ein sehr einfaches DNN mit einer einzelnen versteckten Schicht. Das DNN verwendet Spektralvektoren als Eingaben (d.h. jeweils ein Pixel) und gibt ein einzelnes Klassenlabel und Klassenwahrscheinlichkeiten pro Pixel aus. Im folgenden Colab-Notebook wird gezeigt, wie Sie das DNN erstellen, mit Daten aus der Earth Engine trainieren, Vorhersagen für exportierte Bilder treffen und die Vorhersagen in die Earth Engine importieren.

Hostbares DNN für Vorhersagen in Earth Engine

Wenn Sie Vorhersagen aus Ihrem trainierten Modell direkt in Earth Engine abrufen möchten (z.B. im Code-Editor), müssen Sie das Modell auf der Google AI Platform hosten. In diesem Leitfaden wird gezeigt, wie Sie ein trainiertes Modell im SavedModel-Format speichern, das Modell mit dem Befehl earthengine model prepare für das Hosting vorbereiten und mit ee.Model.fromAiPlatformPredictor interaktiv Vorhersagen in Earth Engine abrufen.

Logistische Regression mit TensorFlow

Klassische Methoden des maschinellen Lernens wie die logistische Regression lassen sich in TensorFlow einfach implementieren. In diesem Notebook wird ein auf logistischer Regression basierender Detektor für Entwaldung anhand von jährlichen Kompositen vor und nach der Entwaldung demonstriert. Dieses sehr einfache Modell dient nur zu Demonstrationszwecken. Fügen Sie einige versteckte Schichten hinzu, um die Genauigkeit zu erhöhen.

Regression mit einem FCNN

Ein „faltendes“ neuronales Netzwerk (Convolutional Neural Network, CNN) enthält eine oder mehrere faltende Schichten, in denen Eingaben Pixelumgebungen sind. Das Ergebnis ist ein Netzwerk, das nicht vollständig verbunden ist, sich aber für die Identifizierung räumlicher Muster eignet. Ein vollständig faltungsbasiertes neuronales Netzwerk (FCNN) enthält keine vollständig verbundene Schicht als Ausgabe. Das bedeutet, dass es keine globale Ausgabe (d.h. eine einzelne Ausgabe pro Bild), sondern lokalisierte Ausgaben (d.h. pro Pixel) lernt.

In diesem Colab-Notebook wird die Verwendung des UNET-Modells demonstriert. Dabei handelt es sich um ein FCNN, das für die Segmentierung medizinischer Bilder entwickelt wurde, um eine kontinuierliche [0,1]-Ausgabe in jedem Pixel aus 256 × 256-Pixel-Nachbarschaften vorherzusagen. In diesem Beispiel wird gezeigt, wie Sie Daten-Patches exportieren, um das Netzwerk zu trainieren, und wie Sie Bild-Patches für die Inferenz überlagern, um Artefakte an den Kachelgrenzen zu eliminieren.

Auf KI-Plattform trainieren

Bei relativ großen Modellen (wie dem FCNN-Beispiel) reicht die Lebensdauer der kostenlosen virtuellen Maschine, auf der Colab-Notebooks ausgeführt werden, möglicherweise nicht für einen lang laufenden Trainingsjob aus. Wenn der erwartete Vorhersagefehler im Bewertungs-Dataset nicht minimiert wird, sind möglicherweise weitere Trainingsiterationen sinnvoll. In diesem Colab-Notebook wird gezeigt, wie Sie große Trainingsjobs in der Cloud ausführen. Dazu wird erläutert, wie Sie Ihren Trainingscode verpacken, einen Trainingsjob starten, ein SavedModel mit dem Befehl earthengine model prepare vorbereiten und mit ee.Model.fromAiPlatformPredictor interaktiv Vorhersagen in Earth Engine abrufen.