בדף הזה יש דוגמאות לתהליכי עבודה שממחישים את השימושים ב-TensorFlow עם Earth Engine. פרטים נוספים זמינים בדף של TensorFlow. הדוגמאות האלה נכתבו באמצעות Earth Engine API בשפת Python ו-TensorFlow שפועלים ב-נוטבוקים של Colab.
עלויות
חיזוי בכמה מחלקות באמצעות DNN
רשת נוירונים "עמוקה" (DNN) היא פשוט רשת נוירונים מלאכותית (ANN) עם שכבה נסתרת אחת או יותר. בדוגמה הזו מוצגת רשת DNN פשוטה מאוד עם שכבה נסתרת אחת. רשת ה-DNN מקבלת וקטורים ספקטרליים כקלט (כלומר, פיקסל אחד בכל פעם) ומוציאה תווית סיווג אחת והסתברויות סיווג לכל פיקסל. ב-notebook של Colab שבהמשך מוסבר איך ליצור את ה-DNN, לאמן אותו באמצעות נתונים מ-Earth Engine, ליצור תחזיות על סמך תמונות שיוצאו ולייבא את התחזיות ל-Earth Engine.
רשת נוירונים עמוקה (DNN) שאפשר לארח לצורך חיזוי ב-Earth Engine
כדי לקבל תחזיות מהמודל המאומן ישירות ב-Earth Engine (למשל ב-Code Editor), צריך לארח את המודל ב-Google AI Platform. במדריך הזה נדגים איך לשמור מודל מאומן בפורמט SavedModel, להכין את המודל לאירוח באמצעות הפקודה earthengine model prepare ולקבל תחזיות ב-Earth Engine באופן אינטראקטיבי באמצעות ee.Model.fromAiPlatformPredictor.
רגרסיה לוגיסטית ב-TensorFlow
שיטות קלאסיות של למידת מכונה, כמו רגרסיה לוגיסטית, קל ליישם ב-TensorFlow. ב-notebook הזה מוצג גלאי כריתת יערות שמבוסס על רגרסיה לוגיסטית, לפני ואחרי קומפוזיציות שנתיות. שימו לב שהמודל הפשוט הזה נועד רק למטרות הדגמה. כדי לשפר את הדיוק, הוסיפו כמה שכבות נסתרות.
רגרסיה עם FCNN
רשת נוירונים "קונבולוציונית" (CNN) מכילה שכבה קונבולוציונית אחת או יותר, שבהן הקלטים הם שכונות של פיקסלים. התוצאה היא רשת שלא מחוברת באופן מלא, אבל מתאימה לזיהוי דפוסים מרחביים. רשת קונבולוציה מלאה (FCNN) לא מכילה שכבה מקושרת לחלוטין כפלט. כלומר, הוא לא לומד פלט גלובלי (כלומר פלט אחד לכל תמונה), אלא פלט מקומי (כלומר לכל פיקסל).
ב-נוטבוק של Colab הזה מודגמת השימוש במודל UNET, שהוא FCNN שפותח לחלוקת תמונות רפואיות למקטעים, כדי לחזות פלט רציף [0,1] בכל פיקסל משכונות של 256x256 פיקסלים. באופן ספציפי, הדוגמה הזו מראה איך לייצא מקטעי נתונים כדי לאמן את הרשת ואיך להשתמש במקטעי תמונות עם חפיפה כדי להסיק מסקנות, במטרה לבטל פגמים בגבולות של המקטעים.
אימון ב-AI Platform
במודלים גדולים יחסית (כמו בדוגמה של FCNN), יכול להיות שמשך הזמן של המכונה הווירטואלית החינמית שבה פועלים נוטבוקים של Colab לא יספיק למשימת אימון ארוכה. באופן ספציפי, אם שגיאת החיזוי הצפויה לא ממוזערת במערך הנתונים להערכה, יכול להיות שכדאי לבצע יותר חזרות אימון. כדי לבצע משימות אימון גדולות בענן, ב-נוטבוק של Colab הזה מוסבר איך לארוז את קוד האימון, להתחיל משימת אימון, להכין SavedModel באמצעות הפקודה earthengine model prepare ולקבל תחזיות ב-Earth Engine באופן אינטראקטיבי באמצעות ee.Model.fromAiPlatformPredictor.
הפעלה ב-Google Colab
הצגת קוד המקור ב-GitHub