ArcGIS深度学习基础【01】
“ 干货~ 新鲜的干货~ 都来瞧一瞧看一看呐~~。”
。如果你看懂上一句话了，那说明你一定有一个有趣的灵魂。还是回归正题，从最近读者们的反馈来看，我觉得还是需要再将ArcGIS中的深度学习基础知识进行科普一下。毕竟深度学习这玩意，入门太难了！（天知道我当时花了多长时间才入门）
01
—
深度学习是什么
深度学习是什么？看图：
简单的来说，深度学习就是一个黑盒子，你往黑盒子里面放照片，黑盒子给你想要的特定格式的数据。比如说，我们上图中看到的棕榈树影像，丢给黑盒子，然后黑盒子给我们标注棕榈树位置的红框。这就是深度学习模型，再具体一点：
分类的意思是，我给黑盒子一张图片，黑盒子告诉我这个图片是什么。比如说图中的手写字母是哪个？（其实我也不知道是不是手写字母，随便找的图
），那中间有一系列过程：卷积、池化等等，这些过程你可以理解成复杂的数学公式就好了。经历过数学公式之后，算出来这个图片属于已知字母中的哪一个（概率最高）。当然，如果你不知道卷积池化的话，没关系，就当成黑盒子就行了。
现在我们知道深度学习大概是什么了，那我们经常看到的模型训练过程做了一件什么事情呢？其实就是在调整数学公式中那些个参数。比如说，y = kx + b，那训练模型就是找到k与b的值，让这个值满足特定的x,y组合，如：
此时此刻你一定知道，针对于上一组x、y，k与b的值是多少了（你说不知道，emmmm）。
但是在深度学习具体场景中，远远比y = kx + b要复杂的多，所以训练模型是在让数学公式找到最接近与某个数据集的参数的值（k,b）。这样，便可以让机器干一些amzing的事情。
02
—
ArcGIS中的深度学习
每次提到ArcGIS，我都会想到版本
，因为更新换代太快了。本文中的ArcGIS版本：
ArcGIS Pro >= 2.6
ArcGIS API for Python >= 1.8.1
深度学习（计算视觉领域）在实际应用中基本上分为以下场景：
这些场景中涉及到的算法模型有一部分在ArcGIS API for Python中，如果ArcGIS Pro版本在2.6之上的话，那上图中展示的模型，你所安装的产品都已经涵盖。
本小节基本上一张图就概括了，现在你了解了深度学习是什么，ArcGIS能用深度学习干什么，那就该了解怎么用了。
03
—
ArcGIS Pro深度学习工具箱
终于到了最重要的时刻了，使用ArcGIS Pro中的工具箱，可以在零代码的情况下，完成上面大部分场景。首先我们来看一下工具箱里面都有哪些东西：
（啊，马赛克是什么？那是后面文章的彩蛋。）
我们可以看到工具都被我用红框给框起来了，三个框分别对应着深度学习工作流的三个步骤。深度学习工作流有三个基础步骤：
我们按照流程来看这些工具：
（PS：如果你想结合某个场景看下面的工具的话，看一翻翻我之前的文章，比如说：ArcGIS Pro深度学习初体验（下））
首先样本制作：
这个里面最重要的是元数据格式，为什么呢，因为不同的场景，元数据格式可能是完全不同的。并且不同的模型所对应样本的元数据格式也不完全一样。所以如果你想换一个模型，但是不知道用什么格式的话，记得多翻翻我的文章（你一定能翻到想要的东西）。
除了元数据格式需要注意之外，其余的工具参数输入就要靠折腾具体的场景了，本文中只点出最重要的。
然后我们来看一下模型训练：
好，本部分只需要关注批处理大小、模型训练轮数以及模型类型。
模型类型：很好理解，就是不同的算法，需要依据场景找算法
模型训练轮数：字面意思，就是训练多少轮，一般情况下30-50轮应该够了，如果模型表现不好的话，可以增大模型训练的轮数。
批处理大小：这个尤其重要，如果你有一个大显存的显卡的话，这个可以设置大一点，如果没有的话，这个就得设置小一点。具体情况得看显卡显存。但是是越大越好。（不建议用CPU训练。你会怀疑人生的）
对了，还有一个很重要的参数在环境那一栏中选择：
有英伟达大显卡的土豪朋友们，一定要记得选择GPU的ID，一般情况下都是0。
然后到了最后的流程了：模型推理，此部分分为三个工具，比较复杂：
由于篇幅问题，在此处只能简单带大家区分，什么情况下使用什么工具，工具详情放在后面的文章中再看。首先我们观察工具的名字：
其实很多人会搞混这三个工具的，所以我将我如何区分三个工具思路讲给大家：
首先，你需要了解你的场景，因为场景不同（目标检测、语义分割），模型在ArcGIS整个流程中生成的数据格式不同：如目标检测生成的是矢量数据，那就用“使用深度学习检测对象”工具，此工具从名称都可以看出来是做目标检测的。语义分割、实例分割、xxxxx（彩蛋）场景下，ArcGIS深度学习流程中生成的是栅格数据，那就选“使用深度学习分类像素”。总之，你需要先明确场景，然后再选择，目前来看，除了目标检测之外，其余在ArcGIS Pro常见的场景都是使用分类像素的那个工具。还有一个工具“使用深度学习分类对象”，是在极少数情况下才会使用。所以还是要明确场景，思考一下数据整体的流向，然后选择工具使用。当然其实模型与工具之间是有对应关系的，后面文章我会整一个表。