このページでは、Earth Engine で TensorFlow を使用する方法を示すワークフローの例を紹介します。詳細については、TensorFlow のページをご覧ください。これらの例は、Earth Engine Python API と Colab ノートブックで実行される TensorFlow を使用して作成されています。
料金
DNN を使用したマルチクラス予測
「ディープ」ニューラル ネットワーク(DNN)は、1 つ以上の隠れ層を持つ人工ニューラル ネットワーク(ANN)です。この例は、単一の隠れ層を持つ非常にシンプルな DNN を示しています。DNN は、スペクトル ベクトルを入力として受け取り(つまり、一度に 1 ピクセル)、ピクセルごとに 1 つのクラスラベルとクラス確率を出力します。以下の Colab ノートブックでは、DNN を作成し、Earth Engine のデータを使用してトレーニングし、エクスポートされた画像で予測を行い、予測を Earth Engine にインポートする方法を説明します。
Earth Engine での予測に使用できるホスト可能な DNN
トレーニング済みモデルから Earth Engine(コードエディタなど)で直接予測を取得するには、Google AI Platform でモデルをホストする必要があります。このガイドでは、トレーニング済みモデルを SavedModel 形式で保存し、earthengine model prepare コマンドを使用してホスティング用にモデルを準備し、ee.Model.fromAiPlatformPredictor を使用して Earth Engine でインタラクティブに予測を取得する方法について説明します。
TensorFlow でのロジスティック回帰
ロジスティック回帰などの従来の ML 手法は、TensorFlow で自然に実装できます。このノートブックでは、年間コンポジットの前後からロジスティック回帰ベースの森林伐採検出機能を示します。この非常に単純なモデルはデモ用です。精度を高めるには、隠れ層をいくつか追加します。
FCNN を使用した回帰
「畳み込み」ニューラル ネットワーク(CNN)には、1 つ以上の畳み込みレイヤが含まれています。このレイヤでは、入力はピクセルの近傍であり、結果として、完全には接続されていないものの、空間パターンの特定に適したネットワークになります。完全畳み込みニューラル ネットワーク(FCNN)には、出力として全結合層が含まれていません。つまり、グローバルな出力(画像ごとに 1 つの出力)ではなく、ローカライズされた出力(ピクセルごと)を学習します。
この Colab ノートブックでは、医療画像セグメンテーション用に開発された FCNN である UNET モデルを使用して、256x256 のピクセル近傍から各ピクセルの連続 [0,1] 出力を予測する方法を示します。具体的には、この例では、ネットワークをトレーニングするためにデータのパッチをエクスポートする方法と、タイルの境界アーティファクトを排除するために推論用の画像パッチをオーバータイルする方法を示します。
AI Platform でトレーニングする
比較的大きなモデル(FCNN の例など)の場合、Colab ノートブックが実行される無料の仮想マシンの寿命は、長時間実行されるトレーニング ジョブには十分でない可能性があります。具体的には、評価データセットで予測誤差の期待値が最小化されていない場合は、トレーニングの反復回数を増やすことを検討してください。Cloud で大規模なトレーニング ジョブを実行する場合、この Colab ノートブックでは、トレーニング コードをパッケージ化し、トレーニング ジョブを開始し、earthengine model prepare コマンドで SavedModel を準備し、ee.Model.fromAiPlatformPredictor を使用して Earth Engine でインタラクティブに予測を取得する方法を説明します。
Google Colab で実行
GitHub 上のソースを見る