בדף הזה מוצגות דוגמאות לתהליכי עבודה שממחישות את השימושים ב-TensorFlow עם Earth Engine. פרטים נוספים זמינים בדף של TensorFlow. הדוגמאות האלה נכתבו באמצעות Earth Engine Python API ו-TensorFlow שפועל ב-Colab Notebooks.
עלויות
חיזוי של כמה סיווגים באמצעות DNN
רשת נוירונים 'עמוקה' (DNN) היא פשוט רשת נוירונים מלאכותית (ANN) עם שכבה מוסתרת אחת או יותר. בדוגמה הזו מוצג DNN פשוט מאוד עם שכבה מוסתרת אחת. ה-DNN מקבל וקטורים ספקטרליים כקלט (כלומר פיקסל אחד בכל פעם) ומפיק תווית מחלקה אחת והסתברויות של מחלקות לכל פיקסל. ב-notebook של Colab שבהמשך מוסבר איך יוצרים את ה-DNN, איך מאומנים אותו באמצעות נתונים מ-Earth Engine, איך מבצעים תחזיות על תמונות שיוצאו ואיך מייבאים את התחזיות ל-Earth Engine.
הפעלה ב-Google Colab
הצגת המקור ב-GitHub
אירוח של DNN לחיזוי 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 מוסבר איך לשמור מודל מאומן בפורמט SavedModel, להכין את המודל לאירוח באמצעות הפקודה earthengine model prepare ולקבל תחזיות באופן אינטראקטיבי ב-Earth Engine באמצעות הפקודה ee.Model.fromAiPlatformPredictor.
רגרסיה לוגיסטית ב-TensorFlow
קל להטמיע ב-TensorFlow שיטות קלאסיות של למידת מכונה, כמו רגרסיה לוגיסטית. ב-notebook הזה מוצג גלאי של בירוא יערות שמבוסס על רגרסיה לוגיסטית, שמשתמש בתמונות משולבות שנלקחו לפני ואחרי. חשוב לזכור שהמודל הפשוט הזה הוא לצורכי הדגמה בלבד. מומלץ להוסיף כמה שכבות מוסתרות כדי לשפר את הדיוק.
רגרסיה באמצעות FCNN
רשת נוירונים 'קונווולציונית' (CNN) מכילה שכבת קונווולציה אחת או יותר, שבה הקלט הוא שכונות של פיקסלים. התוצאה היא רשת שלא מחוברת באופן מלא, אבל מתאימה לזיהוי דפוסים מרחביים. רשת נוירונים עמוקה (FCNN) לא מכילה שכבה מקושרת במלואה כפלט. כלומר, המערכת לא לומדת פלט גלובלי (כלומר פלט יחיד לכל תמונה), אלא פלט מקומי (כלומר לכל פיקסל).
ב-notebook הזה ב-Colab מוצגת שימוש במודל UNET, רשת FCNN שפותחה לפילוח תמונות רפואיות, כדי לחזות פלט רציף [0,1] בכל פיקסל משכונות של 256x256 פיקסלים. באופן ספציפי, בדוגמה הזו מוסבר איך לייצא תיקוני נתונים כדי לאמן את הרשת, ואיך להוסיף תיקוני תמונה לתמונה כדי לבצע הסקה, וכך למנוע פגמים בגבולות המשבצות.
אימון ב-AI Platform
במודלים גדולים יחסית (כמו הדוגמה של FCNN), יכול להיות שהמשך החיים של המכונה הווירטואלית בחינם שבה פועלים קובצי ה-notebook של Colab לא יספיק למשימות אימון ממושכות. באופן ספציפי, אם שגיאת החיזוי הצפויה לא מצטמצמת במערך הנתונים של ההערכה, מומלץ לבצע עוד כמה חזרות של אימון. כדי לבצע משימות אימון גדולות ב-Cloud, ב-notebook הזה ב-Colab מוסבר איך לארוז את קוד האימון, להפעיל משימת אימון, להכין SavedModel באמצעות הפקודה earthengine model prepare ולקבל תחזיות ב-Earth Engine באופן אינטראקטיבי באמצעות ee.Model.fromAiPlatformPredictor.