GraphQL API滲透測試指南
從說明里面能到到，它主要是服務于Online以及Enterprise，其實就是server、portal那一套。空口說無憑證，我們直接從接口文檔里面看功能。
上圖中跟我們有關的是arcgis.learn（深度學習）模塊，其余的部分在本文中不會提到。如果想學習的話，可以參考官網的教程以及示例筆記本（notebook），里面很詳細的。
其中最重要的是需要看Sample Notebooks，里面講的很全很詳細（墻裂推薦）。這個部分，可以根據自己需求選擇性的去看某一部分。
那咱們主要是深度學習，就看上圖中的第三部分就好了（友情提示，第三部分很多示例筆記本）。隨便點一個深度學習相關的，比如說之前公眾號中寫過的《利用深度學習檢測路面損壞情況》：
還有很多機器學習相關、空間分析相關的，大家可以自己深入看一下，但是要深入看的的話需要Python基礎以及ArcGIS相關基礎。
在深度學習工作流中，老三步：樣本制作?->?模型訓練?->?推理。其中使用ArcGIS API for Python的是模型訓練環節，其實推理階段倒不是不能使用API去做，只是你需要一個Image Server，當然如果有多個的話，還是很推薦你使用集群去做推理的。
讓我們來看一下arcgis.learn模塊的東西：
可能會有人問，樣本轉換工具是干啥的？如果你之前沒有接觸過編程，（敲黑板）那得特意留意一下我下面講的內容：
首先，我們使用ArcGIS Pro導出樣本之后，是這個樣子的：
然后，這個文件夾里面存儲著很多圖片，是沒辦法直接使用的，因為他們是存儲在計算機磁盤空間中的。因此，要使用這些圖片、標簽等等，就需要做轉化，將樣本文件從磁盤空間中加載到計算機內存中。這個時候就需要用到樣本轉換工具，在Pro中工具（下圖中的訓練深度學習模型工具）內部其實也封裝了這個過程。
通過使用API會讓你看到更多工具內部看不到的過程，可能第一次會有所疑惑，用多了就懂了。
關于模型那塊是干嘛的就不用我說啦吧，但是其實你發現，ArcGIS API for Python的模型比ArcGIS?Pro中的要多很多。所以強烈推薦你們使用API做訓練，因為有更多模型，而且不管是ArcGIS Pro訓練深度學習模型工具中有沒有的模型，都可以使用Pro去做推理。唯一一個需要注意的是API與Pro的版本對應關系，所以建議你們使用最新版本Pro。
另外，API是完全開源的，有興趣的話可以去github上查看更多源碼。
好了，看完上面之后下面可以愉快的coding了。真的很簡單，你們信我。而且簡單的同時你可以訓練出世界頂級模型（這句話可不是我說的，是fastai作者說的）。因為arcgis.learn模塊內部其實封裝的是fastai框架，這個框架的作者在kaggle上很出名的，感興趣的可以查一下。
不說那么多其他的，那就，來吧，展示：
首先打開notebook，沒有用過的可以參考我之前的文章：《為什么選擇在Jupyter Notebook中編寫代碼》，然后導包：
from arcgis.learn import prepare_data,UnetClassifier其中prepare_data是樣本轉換工具，UnetClassifer是模型，在本場景中使用的是像素分類，小麥提取。你可以按照自己需求去導入模型，代碼上差異并不是很大。
另外不同場景的模型在之前的文章中有總結過：《ArcGIS API for Python:深度學習模塊概覽》，不熟悉的可以點擊查看。
然后使用prepare_data將樣本加載到內存中：
# path是樣本文件夾路徑
path = r'E:\deeplearning\data\dongxiaomai\xiaomai_samplearea_tra30'
data = prepare_data(path,batch_size=16,val_split_pct=0.2)
data
prepare_data方法有幾個參數需要注意一下：
path：樣本文件夾，必填。
chip_size：樣本切片大小。
val_split_pct：驗證集劃分比重。
bach_size：批大小。
除了一個path是必填的之外，其余的都可以根據實際情況選填。除了上面幾個參數之外，接口文檔中還有更詳細的說明：
一定要學會從接口文檔中查看參數信息
在加載完數據值后，還可以查看一下我們的樣本數據大概都是啥樣的：
data.show_batch()
上圖中紅色半透明部分是我標注的樣本，在data.show_batch方法里，會將樣本疊在原始影像上，從而很方便的查看一個batch中的數據是啥樣的。你可以多運行幾次這行代碼看看。
數據加載完成后，便可以實例化我們的模型：
model = UnetClassifier(data)這一步就很簡單了，直接模型括號里面填上上一部中加載的樣本對象。然后使用model.lr_find()函數查找學習率：
lr = model.lr_find()
lr
這一步是固定寫法，就是查找最合適的學習率。學習率查找完成后，便可以訓練模型了：
model.fit(200,lr)
訓練模型中有幾個參數注意一下：
在接口文檔中，此部分要找到對應的模型下面，查接口參數：
訓練完成之后，可以查看一下損失曲線：
model.plot_losses()
固定寫法，不需要改動。
還可以使用model.show_results方法查看當前模型在驗證集上的表現情況：
model.show_results()
左邊為真實標簽，右邊為當前模型推理所得。這種方法可以很直觀的看到模型的表現如何。另外除了此種方法之外，還有其他精度指標可查看：
model.mIOU()
因為是圖像分割，所以比較在意mIOU，其他的模型視情況選擇精度指標查看。接口文檔中都可以查到，比如說本文中用到的mIOU指標，在接口文檔中查看：
如果說，你對模型滿意的話，便可以使用model.save方法保存模型了：
model.save(r'E:\deeplearning\model\dongxiaomai\unet_batchsize16_chipsize224_acc86')固定寫法，替換掉文件夾路徑即可。到文件夾中查看如下：
然后便可以使用ArcGIS Pro進行推理了。推理階段在此處就不講了。
肯定有人看完上面，覺得還不是很清晰，不會咋辦。那你來打我，其實改動的地方很少的，我們來看一下去掉每一行運行結果后的完整代碼：
其中小部分都是固定寫法，大部分都是固定格式，小部分需要根據模型不同更改寫法。
這么短幾行代碼，你去寫一個月，還不會，那你來打我。會不會python影響的已經不大了，折騰吧。不得不吹一下，把深度學習封裝成如此簡潔易用，確實很厲害。
文章轉自微信公眾號@數讀城事
GraphQL API滲透測試指南
Python + BaiduTransAPI ：快速檢索千篇英文文獻（附源碼）
掌握ChatGPT API集成的方便指南
node.js + express + docker + mysql + jwt 實現用戶管理restful api
nodejs + mongodb 編寫 restful 風格博客 api
表格插件wpDataTables-將 WordPress 表與 Google Sheets API 連接
手把手教你用Python和Flask創建REST API
使用 Django 和 Django REST 框架構建 RESTful API：實現 CRUD 操作
ASP.NET Web API快速入門介紹