Flujos de trabajo de ejemplo de TensorFlow

En esta página, se muestran ejemplos de flujos de trabajo para demostrar los usos de TensorFlow con Earth Engine. Consulta la página de TensorFlow para obtener más detalles. Estos ejemplos se escriben con la API de Python de Earth Engine y TensorFlow que se ejecutan en notebooks de Colab.

Costos

Predicción de varias clases con una DNN

Una red neuronal "profunda" (DNN) es simplemente una red neuronal artificial (ANN) con una o más capas ocultas. En este ejemplo, se muestra una DNN muy simple con una sola capa oculta. La DNN toma vectores espectrales como entradas (es decir, un píxel a la vez) y genera una sola etiqueta de clase y probabilidades de clase por píxel. En el siguiente notebook de Colab, se muestra cómo crear la DNN, entrenarla con datos de Earth Engine, realizar predicciones sobre imágenes exportadas y, luego, importar las predicciones a Earth Engine.

DNN alojable para la predicción en Earth Engine

Para obtener predicciones de tu modelo entrenado directamente en Earth Engine (p.ej., en el Editor de código), debes alojar el modelo en Google AI Platform. En esta guía, se muestra cómo guardar un modelo entrenado en formato SavedModel, prepararlo para alojarlo con el comando earthengine model prepare y obtener predicciones en Earth Engine de forma interactiva con ee.Model.fromAiPlatformPredictor.

Regresión logística al estilo de TensorFlow

Los métodos clásicos de aprendizaje automático, como la regresión logística, son naturales para implementar en TensorFlow. En este notebook, se muestra un detector de deforestación basado en regresión logística a partir de compuestos anuales anteriores y posteriores. Ten en cuenta que este modelo tan simplista es solo para fines de demostración; agrega algunas capas ocultas para obtener una mayor exactitud.

Regresión con una FCNN

Una red neuronal "convolucional" (CNN) contiene una o más capas convolucionales, en las que las entradas son vecindarios de píxeles, lo que da como resultado una red que no está completamente conectada, pero es adecuada para identificar patrones espaciales. Una red neuronal completamente convolucional (FCNN) no contiene una capa completamente conectada como resultado. Esto significa que no aprende un resultado global (es decir, un solo resultado por imagen), sino resultados localizados (es decir, por píxel).

En este notebook de Colab, se demuestra el uso del modelo UNET, una FCNN desarrollada para la segmentación de imágenes médicas, para predecir un resultado continuo [0,1] en cada píxel de vecindarios de píxeles de 256 x 256. En particular, en este ejemplo, se muestra cómo exportar parches de datos para entrenar la red y cómo superponer parches de imágenes para la inferencia, con el objetivo de eliminar los artefactos de los límites de las mosaicos.

Entrena en la plataforma de IA

En el caso de modelos relativamente grandes (como el ejemplo de FCNN), es posible que la longevidad de la máquina virtual gratuita en la que se ejecutan los notebooks de Colab no sea suficiente para un trabajo de entrenamiento de larga duración. Específicamente, si el error de predicción esperado no se minimiza en el conjunto de datos de evaluación, puede ser prudente realizar más iteraciones de entrenamiento. Para realizar trabajos de entrenamiento grandes en la nube, este notebook de Colab demuestra cómo empaquetar tu código de entrenamiento, iniciar un trabajo de entrenamiento, preparar un SavedModel con el comando earthengine model prepare y obtener predicciones en Earth Engine de forma interactiva con ee.Model.fromAiPlatformPredictor.