TensorFlow 워크플로 예시

이 페이지에는 Earth Engine에서 TensorFlow를 사용하는 방법을 보여주는 워크플로 예시가 있습니다. 자세한 내용은 TensorFlow 페이지를 참조하세요. 이 예시는 Colab 노트북에서 실행되는 Earth Engine Python API 및 TensorFlow를 사용하여 작성되었습니다.

비용

DNN을 사용한 다중 클래스 예측

'심층'신경망(DNN)은 하나 이상의 히든 레이어가 있는 인공 신경망(ANN)입니다. 이 예시는 단일 히든 레이어가 있는 매우 간단한 DNN을 보여줍니다. DNN은 스펙트럼 벡터를 입력으로 사용하고(즉, 한 번에 하나의 픽셀) 픽셀당 단일 클래스 라벨과 클래스 확률을 출력합니다. 아래의 Colab 노트북은 DNN을 만들고, Earth Engine의 데이터로 학습시키고, 내보낸 이미지에 대해 예측하고, 예측을 Earth Engine으로 가져오는 방법을 보여줍니다.

Earth Engine에서 예측을 위해 호스팅 가능한 DNN

학습된 모델에서 Earth Engine(예: 코드 편집기)으로 직접 예측을 가져오려면 Google AI Platform에서 모델을 호스팅해야 합니다. 이 가이드에서는 학습된 모델을 SavedModel 형식으로 저장하고, earthengine model prepare 명령어로 호스팅할 모델을 준비하고, ee.Model.fromAiPlatformPredictor를 사용하여 Earth Engine에서 대화형으로 예측을 가져오는 방법을 보여줍니다.

TensorFlow 방식의 로지스틱 회귀

로지스틱 회귀와 같은 기존 머신러닝 방법은 TensorFlow에서 자연스럽게 구현됩니다. 이 노트북은 연간 합성 전후의 로지스틱 회귀 기반 삼림 벌채 감지기를 보여줍니다. 이 매우 단순한 모델은 데모용입니다. 정확도를 높이려면 히든 레이어를 몇 개 추가하세요.

FCNN을 사용한 회귀

'컨볼루셔널' 신경망(CNN)에는 하나 이상의 컨볼루셔널 레이어가 포함되어 있으며, 여기서 입력은 픽셀의 인접 영역이므로 완전히 연결되지는 않지만 공간 패턴을 식별하는 데 적합한 네트워크가 생성됩니다. 완전 콘볼루셔널 신경망(FCNN)에는 완전 연결 레이어가 출력으로 포함되지 않습니다. 즉, 전역 출력(즉, 이미지당 단일 출력)이 아닌 현지화된 출력(즉, 픽셀당)을 학습합니다.

이 Colab 노트북에서는 의료 이미지 분할을 위해 개발된 FCNN인 UNET 모델을 사용하여 256x256 픽셀 주변에서 각 픽셀의 연속 [0,1] 출력을 예측하는 방법을 보여줍니다. 특히 이 예시에서는 네트워크를 학습시키기 위해 데이터 패치를 내보내는 방법과 추론을 위해 이미지 패치를 오버타일링하여 타일 경계 아티팩트를 제거하는 방법을 보여줍니다.

AI Platform에서 학습

상대적으로 큰 모델(예: FCNN 예시)의 경우 Colab 노트북이 실행되는 무료 가상 머신의 수명이 장기 실행 학습 작업에 충분하지 않을 수 있습니다. 특히 평가 데이터 세트에서 예상 예측 오류가 최소화되지 않으면 학습 반복을 더 많이 수행하는 것이 좋습니다. 클라우드에서 대규모 학습 작업을 수행하는 경우 이 Colab 노트북에서는 학습 코드를 패키징하고, 학습 작업을 시작하고, earthengine model prepare 명령어로 SavedModel를 준비하고, ee.Model.fromAiPlatformPredictor를 사용하여 Earth Engine에서 대화형으로 예측을 가져오는 방법을 보여줍니다.