weixin_41099712的博客

前置条件：​ 数据集本篇文章主要涉及模型的构建、训练以及模型效果的评估。首先自定义遥感常用的评价函数：定义网络定义网络模型，以U-net为例：训练模型训练并保存日志，日志名称会根据网络名称和当前时间自动生成，保证同一网络多次训练结果不会同名，保存至./logs/文件夹下。同时保存训练过程中验证集上kappa_metrics最高的模型。日志通过tensorboard保存，在Jupyter Lab环境下还需要安装TensorBoard Pro插件：JupyterLab TensorBoard Pro，其

num_rows 和 num_cols代表区块内patch的行列数，可以从GEE导出的json格式文件中获取，num_rows和num_cols不一致是因为GEE导出坐标系为默认EPSG：4326（地理坐标系），作者后来更改为EPSG：32650（投影坐标系），num_rows和num_cols就相同了（区块为矩形）。然后，将旋转的图像乘以 0.9 和 1.1 之间的随机值（波段间相同，时相间不同），以增加样本数据时间序列曲线的波动。编写训练集和验证机的加载函数，根据自己的需求加载指定路径的数据包。

例如：patchSize 为32，kernelSize为32，则导出的图像单个大小为64*64，中间的32*32为不重叠区域，边缘的16格像素为缓冲区大小。导出可以拆分为多个 TFRecord 文件，每个文件包含一个或多个 大小的 patches ，这是用户在导出中指定的。其中：crs为投影坐标系、doubleMatrix为地理仿射变换矩阵、patchDimensions为不重叠区域大小、patchesPerRow为裁剪区域内每行得到的样本数量、totalPatches为总的patch数量。

本教程是使用GEE作为数据预处理工具，本地GPU进行模型训练，推理。本教程是使用的GEE JS客户端 。预计分为以下几个章节来撰写：1.环境搭建篇2. GEE导出篇3. GEE预处理篇4. Python数据读入篇5. Python深度学习训练篇6. 官方教程解析篇

值得注意的是，我们的渐进式训练模式增强了基础模型的能力，超越了性能上的过渡点。为了对预训练模型进行更严格的评估，我们在BigEarthNet多标签分类数据集上对所有消融模型进行微调，只使用训练集的10%子集，这是一个更艰巨的挑战，使用mAP测量进行评估。我们的预训练数据集包括fMoW-S2的广泛训练集，其中包括来自世界各地的令人印象深刻的712,874张图像，以及BigEarthNet的训练集，其中包括欧洲地区的351,496张图像，其中不包括受雪，云或云阴影影响的图像。然而，值得强调的是，所。

使用历史双色球中奖数据去推导下一次中间结果。模型基于LSTM深度学习模型