Contoh alur kerja TensorFlow

Halaman ini berisi contoh alur kerja untuk menunjukkan penggunaan TensorFlow dengan Earth Engine. Lihat halaman TensorFlow untuk mengetahui detail selengkapnya. Contoh ini ditulis menggunakan Python API Earth Engine dan TensorFlow yang berjalan di Notebook Colab.

Biaya

Prediksi multi-class dengan DNN

Jaringan neural "dalam" (DNN) hanyalah jaringan neural tiruan (ANN) dengan satu atau beberapa lapisan tersembunyi. Contoh ini menunjukkan DNN yang sangat sederhana dengan satu lapisan tersembunyi. DNN mengambil vektor spektral sebagai input (yaitu satu piksel pada satu waktu) dan menghasilkan satu label class dan probabilitas class per piksel. Notebook Colab di bawah menunjukkan cara membuat DNN, melatihnya dengan data dari Earth Engine, membuat prediksi pada citra yang diekspor, dan mengimpor prediksi ke Earth Engine.

DNN yang dapat dihosting untuk prediksi di Earth Engine

Untuk mendapatkan prediksi dari model terlatih Anda langsung di Earth Engine (misalnya, di Editor Kode), Anda harus menghosting model di Google AI Platform. Panduan ini menunjukkan cara menyimpan model terlatih dalam format SavedModel, menyiapkan model untuk dihosting dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth Engine secara interaktif dengan ee.Model.fromAiPlatformPredictor.

Regresi logistik dengan cara TensorFlow

Metode machine learning klasik seperti regresi logistik dapat diterapkan secara alami di TensorFlow. Notebook ini menunjukkan pendeteksi deforestasi berbasis regresi logistik dari komposit tahunan sebelum dan sesudah. Perhatikan bahwa model yang sangat sederhana ini hanya untuk tujuan demonstrasi; tambahkan beberapa lapisan tersembunyi untuk akurasi yang lebih tinggi.

Regresi dengan FCNN

Jaringan neural "konvolusional" (CNN) berisi satu atau beberapa lapisan konvolusional, dengan input berupa lingkungan piksel, sehingga menghasilkan jaringan yang tidak terhubung sepenuhnya, tetapi cocok untuk mengidentifikasi pola spasial. Jaringan neural konvolusional penuh (FCNN) tidak berisi lapisan terhubung sepenuhnya sebagai output. Artinya, model ini tidak mempelajari output global (yaitu, satu output per gambar), melainkan output yang dilokalkan (yaitu, per piksel).

Notebook Colab ini menunjukkan penggunaan model UNET, yaitu FCNN yang dikembangkan untuk segmentasi gambar medis, guna memprediksi output [0,1] berkelanjutan di setiap piksel dari lingkungan piksel 256x256. Secara khusus, contoh ini menunjukkan cara mengekspor patch data untuk melatih jaringan dan cara menumpuk patch gambar untuk inferensi, guna menghilangkan artefak batas ubin.

Melatih di platform AI

Untuk model yang relatif besar (seperti contoh FCNN), masa pakai virtual machine gratis tempat notebook Colab berjalan mungkin tidak cukup untuk tugas pelatihan yang berjalan lama. Secara khusus, jika error prediksi yang diharapkan tidak diminimalkan pada set data evaluasi, iterasi pelatihan yang lebih banyak mungkin diperlukan. Untuk melakukan tugas pelatihan besar di Cloud, notebook Colab ini menunjukkan cara memaketkan kode pelatihan Anda, memulai tugas pelatihan, menyiapkan SavedModel dengan perintah earthengine model prepare, dan mendapatkan prediksi di Earth Engine secara interaktif dengan ee.Model.fromAiPlatformPredictor.