این صفحه دارای نمونه گردش کار برای نشان دادن استفاده از TensorFlow با Earth Engine است. برای جزئیات بیشتر به صفحه TensorFlow مراجعه کنید. این مثال‌ها با استفاده از Earth Engine Python API و TensorFlow در نوت‌بوک‌های Colab نوشته شده‌اند.
هزینه ها
پیش‌بینی چند کلاسه با DNN
یک شبکه عصبی عمیق (DNN) به سادگی یک شبکه عصبی مصنوعی (ANN) با یک یا چند لایه پنهان است. این مثال یک DNN بسیار ساده را با یک لایه پنهان نشان می دهد. DNN بردارهای طیفی را به عنوان ورودی می گیرد (یعنی یک پیکسل در یک زمان) و یک برچسب کلاس و احتمالات کلاس در هر پیکسل را خروجی می دهد. نوت بوک Colab زیر ایجاد DNN، آموزش آن با داده‌های Earth Engine، پیش‌بینی تصاویر صادراتی و وارد کردن پیش‌بینی‌ها به Earth Engine را نشان می‌دهد.
در Google Colab اجرا شود
مشاهده منبع در GitHubDNN میزبان برای پیش‌بینی در Earth Engine
برای دریافت پیش‌بینی‌ها از مدل آموزش‌دیده خود مستقیماً در Earth Engine (به عنوان مثال در ویرایشگر کد )، باید مدل را در پلتفرم هوش مصنوعی Google میزبانی کنید. این راهنما نشان می دهد که چگونه یک مدل آموزش دیده را در قالب SavedModel ذخیره کنید، مدل را برای میزبانی با دستور earthengine model prepare آماده کنید، و پیش بینی ها را در Earth Engine به صورت تعاملی با ee.Model.fromAiPlatformPredictor دریافت کنید.
رگرسیون لجستیک به روش TensorFlow
روش‌های کلاسیک یادگیری ماشین مانند رگرسیون لجستیک برای پیاده‌سازی در TensorFlow طبیعی هستند. این نوت بوک یک آشکارساز جنگل زدایی مبتنی بر رگرسیون لجستیک را از قبل و بعد از کامپوزیت های سالانه نشان می دهد. توجه داشته باشید که این مدل بسیار ساده فقط برای اهداف نمایشی است. برای دقت بیشتر چند لایه مخفی اضافه کنید.
رگرسیون با FCNN
یک شبکه عصبی "کانولوشنال" (CNN) شامل یک یا چند لایه کانولوشن است که در آن ورودی ها همسایگی پیکسل ها هستند و در نتیجه شبکه ای به طور کامل متصل نیست، اما برای شناسایی الگوهای فضایی مناسب است. یک شبکه عصبی کاملاً کانولوشنال (FCNN) دارای یک لایه کاملاً متصل به عنوان خروجی نیست. این بدان معناست که یک خروجی سراسری (یعنی یک خروجی در هر تصویر) را نمی‌آموزد، بلکه خروجی‌های محلی (یعنی در هر پیکسل) را یاد می‌گیرد.
این نوت بوک Colab استفاده از مدل UNET را نشان می دهد، یک FCNN که برای تقسیم بندی تصویر پزشکی توسعه یافته است، برای پیش بینی خروجی پیوسته [0,1] در هر پیکسل از همسایگی 256x256 پیکسل. به طور خاص، این مثال نشان می‌دهد که چگونه تکه‌های داده‌ها را برای آموزش شبکه صادر کنیم و چگونه وصله‌های تصویر را برای استنباط، برای حذف آرتیفکت‌های مرز کاشی‌ها حذف کنیم.
آموزش بر روی پلتفرم هوش مصنوعی
برای مدل‌های نسبتاً بزرگ (مانند مثال FCNN)، طول عمر ماشین مجازی رایگانی که نوت‌بوک‌های Colab روی آن کار می‌کنند ممکن است برای یک کار آموزشی طولانی مدت کافی نباشد. به طور خاص، اگر خطای پیش‌بینی مورد انتظار در مجموعه داده ارزیابی به حداقل نرسد، ممکن است تکرارهای آموزشی بیشتر محتاطانه باشد. برای انجام کارهای آموزشی بزرگ در Cloud، این نوت بوک Colab نشان می دهد که چگونه کد آموزشی خود را بسته بندی کنید ، یک کار آموزشی را شروع کنید ، SavedModel با دستور earthengine model prepare آماده کنید، و پیش بینی ها را در Earth Engine به صورت تعاملی با ee.Model.fromAiPlatformPredictor دریافت کنید.