Python arcgis.learn.train_model用法及代碼示例

用法:
arcgis.learn.train_model(input_folder, model_type, model_arguments=None, batch_size=2, max_epochs=None, learning_rate=None, backbone_model=None, validation_percent=None, pretrained_model=None, stop_training=True, freeze_model=True, overwrite_model=False, output_name=None, context=None, *, gis=None, future=False, **kwargs)

參數：

input_folder:
必需的字符串。這是訓練樣本數據的輸入位置。它可以是文件共享柵格數據存儲上的輸出位置路徑，也可以是共享文件係統路徑。訓練樣本數據文件夾需要是export_training_data函數的輸出，包含“images” and “labels”文件夾，以及函數一起寫出的JSON模型定義文件。
文件共享柵格存儲和數據存儲路徑示例：
- /rasterStores/yourRasterStoreFolderName/trainingSampleData
- /fileShares/yourFileShareFolderName/trainingSampleData
共享路徑示例：
- 服務器名稱deepLearningrainingSampleData
model_type:
必需的字符串。用於訓練深度學習模型的模型類型。可能的值：SSD、UNET、FEATURE_CLASSIFIER、PSPNET、RETINANET、MASKRCNN
- SSD - 單次檢測器 (SSD) 用於對象檢測。
- UNET - U-Net 用於像素分類。
- FEATURE_CLASSIFIER - 要素分類器用於對象分類。
- PSPNET - 金字塔場景解析網絡 (PSPNET) 用於像素分類。
- RETINANET - RetinaNet 用於對象檢測。
- MASKRCNN - MarkRCNN 用於對象檢測
model_arguments: 可選字典。 Name-value 可以由客戶端自定義的參數對及其值。

例子：
{“name1”:”value1”，“name2”：“value2”}
batch_size: 可選 int 一次要處理的訓練樣本數進行訓練。如果服務器有強大的 GPU，這個數字可以增加到 16、36、64 等等。

例子：
4
max_epochs: 可選 int 模型應訓練的最大 epoch 數。一個 epoch 意味著整個訓練數據集將通過深度神經網絡向前和向後傳遞一次。

例子：
20
learning_rate: 可選浮點數。訓練期間權重更新的速率。它是一個介於 0.0 和 1.0 之間的小的正值。如果學習率設置為0，它將在訓練過程中從學習曲線中提取最優學習率。

例子：
0.0
backbone_model: 可選字符串。指定要用作訓練新模型的架構的預配置神經網絡。可能的值： DENSENET121 ， DENSENET161 ， DENSENET169 ， DENSENET201 ， MOBILENET_V2 ， MASKRCNN50_FPN ，

RESNET18，RESNET34，RESNET50，RESNET101，RESNET152，VGG11，VGG11_BN，VGG13，VGG13_BN，VGG16，VGG16_BN，VGG19，VGG19_BN

例子：
RESNET34
validation_percent: 可選浮點數。將用於驗證模型的訓練樣本數據的百分比(以 % 為單位)。

例子：
10
pretrained_model: 可選的 dlpk 門戶項目。用於微調新模型的預訓練模型。它是一個深度學習模型包 (dlpk) 門戶項目。
stop_training:
可選的布爾值。指定是否將實施提前停止。
- True - 當模型不再改進時，模型訓練將停止，無論指定的最大時期如何。這是默認設置。
- False - 模型訓練將繼續，直到達到最大時期。
freeze_model:
可選的布爾值。指定是否凍結預訓練模型中的主幹層，以使主幹層中的權重和偏差保持不變。
- True - 預定義的權重和偏差不會在主幹模型中改變。這是默認設置。
- False - 可以更改主幹模型的權重和偏差以更好地適應您的訓練樣本。這可能需要更多時間來處理，但通常可以獲得更好的結果。
overwrite_model:
可選的布爾值。覆蓋具有相同名稱的現有深度學習模型包 (.dlpk) 門戶項目。如果 output_name 參數使用文件共享數據存儲路徑，則不應用此 overwriteModel 參數。
- True - 門戶 .dlpk 項目將被覆蓋。
- False - 門戶 .dlpk 項目不會被覆蓋。這是默認設置。
output_name: 可選的。經過訓練的深度學習模型包既可以作為項目添加到門戶，也可以寫入數據存儲。要添加為項目，請指定要創建的輸出深度學習模型包(項目)的名稱。

例子 -
“trainedModel”

為了將 dlpk 寫入文件共享數據存儲，請指定數據存儲路徑。

例子 -
“/fileShares/filesharename/文件夾”
context:
可選字典。上下文包含影響任務執行的其他設置。字典可以包含以下鍵的值：
- cellSize - 設置輸出柵格像元大小或分辨率
- extent - 設置函數使用的處理範圍
- parallelProcessingFactor - 設置並行處理因子。默認為“80%”
- processorType - 設置處理器類型。 “CPU” 或 “GPU”
例子 -
{“processorType”：“CPU”}

設置上下文參數將覆蓋使用arcgis.env 變量為此特定函數設置的值。
gis: 可選的地理信息係統。運行此工具的 GIS。如果未指定，則使用活動 GIS。

返回：: 返回具有標題、類型、文件名、文件、id 和 folderId 屬性的 dlpk 門戶項目。

函數可用於使用 export_training_data 函數的輸出來訓練深度學習模型。它會生成深度學習模型包 (*.dlpk) 並將其添加到您的企業門戶。 train_model 函數使用 Raster Analytics 服務器執行訓練。 .. 筆記：

This function is supported with ArcGIS Enterprise (Image Server)

相關用法

注：本文由純淨天空篩選整理自arcgis.com大神的英文原創作品 arcgis.learn.train_model。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：