หน้านี้มีเวิร์กโฟลว์ตัวอย่างเพื่อสาธิตการใช้ TensorFlow กับ Earth Engine ดูรายละเอียดเพิ่มเติมได้ที่หน้า TensorFlow ตัวอย่างเหล่านี้เขียนโดยใช้ Earth Engine Python API และ TensorFlow ที่ทำงานใน Colab Notebook
ค่าใช้จ่าย
การคาดการณ์แบบหลายคลาสด้วย DNN
เครือข่ายประสาท "ลึก" (DNN) คือเครือข่ายประสาทเทียม (ANN) ที่มีเลเยอร์ที่ซ่อนอยู่อย่างน้อย 1 เลเยอร์ ตัวอย่างนี้แสดง DNN ที่เรียบง่ายมากซึ่งมีเลเยอร์ที่ซ่อนอยู่เพียงเลเยอร์เดียว DNN จะรับเวกเตอร์สเปกตรัมเป็นอินพุต (เช่น ทีละพิกเซล) และแสดงผลป้ายกำกับคลาสเดียวและระดับความน่าจะเป็นของคลาสต่อพิกเซล สมุดบันทึก Colab ด้านล่างแสดงการสร้าง DNN, การฝึก DNN ด้วยข้อมูลจาก Earth Engine, การคาดการณ์เกี่ยวกับภาพถ่ายที่ส่งออก และการนำการคาดการณ์มายัง Earth Engine
เรียกใช้ใน Google Colab
ดูซอร์สโค้ดใน GitHub
DNN ที่โฮสต์ได้สำหรับการคาดการณ์ใน Earth Engine
หากต้องการรับการคาดการณ์จากโมเดลที่ฝึกแล้วใน Earth Engine โดยตรง (เช่น ในเครื่องมือแก้ไขโค้ด) คุณต้องโฮสต์โมเดลใน Google AI Platform คู่มือนี้จะแสดงวิธีบันทึกโมเดลที่ผ่านการฝึกในรูปแบบ SavedModel เตรียมโมเดลสำหรับการโฮสต์ด้วยคําสั่ง earthengine model prepare และรับการคาดการณ์ใน Earth Engine แบบอินเทอร์แอกทีฟด้วย ee.Model.fromAiPlatformPredictor
การถดถอยแบบโลจิสติกตามแนวทางของ TensorFlow
วิธีการแมชชีนเลิร์นนิงแบบคลาสสิก เช่น การถดถอยแบบโลจิสติก เหมาะที่จะนำมาใช้ใน TensorFlow สมุดบันทึกนี้แสดงเครื่องตรวจจับการตัดไม้ทำลายป่าที่อิงตามการถดถอยเชิงโลจิสติกส์จากภาพรวมก่อนและหลังประจำปี โปรดทราบว่าโมเดลที่เรียบง่ายมากนี้เป็นเพียงการสาธิตเท่านั้น ให้เพิ่มเลเยอร์ที่ซ่อนอยู่ 2-3 เลเยอร์เพื่อให้แม่นยำยิ่งขึ้น
การถดถอยด้วย FCNN
โครงข่ายประสาทเทียม "Convolutive" (CNN) มีเลเยอร์ Convolutive อย่างน้อย 1 เลเยอร์ ซึ่งอินพุตคือบริเวณใกล้เคียงของพิกเซล ส่งผลให้เป็นเครือข่ายที่เชื่อมต่อไม่สมบูรณ์ แต่เหมาะสําหรับการระบุรูปแบบเชิงพื้นที่ เครือข่ายประสาทแบบ Convolution ทั้งหมด (FCNN) ไม่มีเลเยอร์แบบ Fully Connected เป็นเอาต์พุต ซึ่งหมายความว่าโมเดลไม่ได้เรียนรู้เอาต์พุตส่วนกลาง (เช่น เอาต์พุตเดียวต่อรูปภาพ) แต่เรียนรู้เอาต์พุตที่แปลแล้ว (เช่น ต่อพิกเซล)
สมุดบันทึก Colab นี้แสดงการใช้โมเดล UNET ซึ่งเป็น FCNN ที่พัฒนาขึ้นเพื่อการแบ่งกลุ่มรูปภาพทางการแพทย์ เพื่อทำนายเอาต์พุต [0,1] แบบต่อเนื่องในแต่ละพิกเซลจากพิกเซลใกล้เคียงขนาด 256x256 กล่าวโดยละเอียดคือ ตัวอย่างนี้แสดงวิธีส่งออกแพตช์ข้อมูลเพื่อฝึกเครือข่าย และวิธีวางซ้อนแพตช์รูปภาพเพื่อใช้อนุมาน เพื่อกำจัดข้อบกพร่องที่เกิดจากขอบเขตของชิ้นส่วน
การฝึกอบรมใน AI Platform
สำหรับโมเดลขนาดใหญ่ (เช่น ตัวอย่าง FCNN) อายุการใช้งานของเครื่องเสมือนแบบไม่มีค่าใช้จ่ายที่ใช้เรียกใช้สมุดบันทึก Colab อาจไม่เพียงพอสำหรับงานการฝึกระยะยาว กล่าวโดยละเอียดคือ หากข้อผิดพลาดในการคาดการณ์ที่คาดไว้ไม่ได้ลดลงในชุดข้อมูลการประเมิน คุณอาจต้องเพิ่มจำนวนรอบการฝึก สําหรับการทํางานการฝึกอบรมขนาดใหญ่ในระบบคลาวด์ สําเนาสมุดบันทึก Colab นี้จะแสดงวิธีจัดแพ็กเกจโค้ดการฝึกอบรม เริ่มงานการฝึกอบรม เตรียม SavedModel ด้วยคําสั่ง earthengine model prepare และรับการคาดการณ์ใน Earth Engine แบบอินเทอร์แอกทีฟด้วย ee.Model.fromAiPlatformPredictor