Earth Engine 提供 ee.Model 作为连接到 Vertex AI 上托管的模型的连接器。Earth Engine 会将图片或表格数据作为在线预测请求发送到部署在 Vertex AI 端点上的训练模型。然后，模型输出将以 Earth Engine 图片或表格的形式提供。
TensorFlow 模型
TensorFlow 是一个开源机器学习 (ML) 平台，支持深度学习等高级 ML 方法。Earth Engine API 提供了用于以 TFRecord 格式导入和/或导出图像、训练和测试数据的方法。如需查看将 TensorFlow 与 Earth Engine 中的数据搭配使用的演示，请参阅 ML 示例页面。如需详细了解 Earth Engine 如何将数据写入 TFRecord 文件，请参阅 TFRecord 页面。
ee.Model
ee.Model 软件包用于处理与托管的机器学习模型的交互。
Vertex AI 上的托管模型
您可以使用 ee.Model.fromVertexAi 创建新的 ee.Model 实例。这是一个 ee.Model 对象，用于将 Earth Engine 数据打包为张量，将其作为预测请求转发到 Vertex AI，然后将响应重新组合到 Earth Engine 中。
Earth Engine 支持 TensorFlow（例如 SavedModel 格式）、PyTorch 和 AutoML 模型。如需准备模型以供托管，请保存模型，将其导入 Vertex AI，然后将模型部署到端点。
输入格式
如需与 Earth Engine 交互，托管模型的输入和输出需要与受支持的交换格式兼容。默认是 TensorProto 交换格式，具体是采用 base64 编码的序列化 TensorProto（参考文档）。如“机器学习示例”页面所示，您可以在训练后保存前以编程方式执行此操作，也可以通过加载、添加输入和输出转换，然后重新保存来执行此操作。其他支持的载荷格式包括使用 RAW_JSON 的 JSON 和使用 ND_ARRAYS 的多维数组。如需了解详情，请参阅我们的载荷格式文档。
端点 IAM 权限
如需将模型与 ee.Model.fromVertexAi() 搭配使用，您必须拥有足够的权限来使用该模型。具体而言，您（或使用该模型的任何人）至少需要拥有托管该模型的 Cloud 项目的 Vertex AI User 角色。您可以使用 Identity and Access Management (IAM) 控件控制 Cloud 项目的权限。
区域
将模型部署到端点时，您需要指定要部署到哪个区域。建议使用 us-central1 区域，因为它靠近 Earth Engine 服务器，因此性能可能会最好，但几乎任何区域都可以。如需详细了解 Vertex AI 区域以及每个区域支持的功能，请参阅 Vertex AI 位置文档。
如果您要从 AI Platform 迁移，请注意，Vertex AI 没有全局端点，ee.Model.fromVertexAi() 也没有 region 参数。
费用
如需详细了解费用，请参阅各产品的相关价格页面。
您可以使用价格计算器根据您的预计使用情况来估算费用。
延伸阅读
如需详细了解如何将托管的模型与 Earth Engine 搭配使用，请参阅“图片预测”页面（针对图片预测）或“地图项预测”页面