深度学习是一种快速发展的机器学习数据分析方法，它使用神经网络来模拟人脑的过程。 当与 GIS 集成时，它可以提供更好的数据处理和更准确的数据分析。
机器学习算法通常面临三大挑战：分析大量数据、计算资源不足以及算法的效率和准确性。 通过集成 ArcGIS Notebooks 和深度学习算法，可以更好地应对这些挑战。
ArcGIS Notebooks 深度学习
ArcGIS Notebooks 中可用的影像数据深度学习模型分为四个主要类别：
- 对象分类 - 用于确定要素的类别。 例如，它可用于确定建筑物在自然灾害后是否受损。
- 对象检测 - 在边界框内的图像中查找对象的定位过程。 例如，对象检测可用于检测图像中的游泳池。
- 像素分类 - 用于将类别分配给图像中的像素。 例如，像素分类可用于土地覆被分类。
- 实例分类 - 用于集成对象检测和像素分类。 实例分类可用于检测对象并进一步对其进行分类。 例如，像素分类可用于损失检测，不仅可以识别损失，还可以进一步对损失严重程度进行分类。
注：
ArcGIS Notebooks 还支持专用于表格、点云和其他结构化数据集的模型。
深度学习工作流
ArcGIS Notebook Server 可用于执行以下深度学习工作流：
- 端到端深度学习
- 使用预训练模型进行推断
- 微调预训练模型
端到端深度学习
端到端深度学习是机器学习中的一种变革性方法，其中将训练单个神经网络直接从原始输入数据执行复杂任务，从而跳过手动要素提取过程。 该过程包括以下步骤：
- 数据采集 - 采集与任务相关的大量且多样化的数据集。
- 数据预处理 - 清理并准备训练数据。
- 模型设计 - 选择神经网络架构。
- 训练 - 该模型在数据集上进行训练，并调整参数以最大限度地减少错误。
- 评估 - 在单独的数据集上测试模型以评估模型的性能。
- 部署 - 在现实世界应用程序中实现经过训练的模型。
有关示例工作流，请参阅示例：端到端深度学习工作流。
预训练模型
预训练深度学习模型可以消除对大量训练数据和计算资源的需求，从而简化您的地理空间工作流。 ArcGIS 为不同的任务提供了许多预训练深度学习模型。 这些模型可以从 ArcGIS Living Atlas 下载，并通过将其作为门户内容上传到 ArcGIS Notebooks 中使用。
有关示例工作流，请参阅示例：使用预训练模型进行推断。