深度學習的兩大難點即為樣本標註和引數調優。
ENVI的ROI工具、Feature Counting工具、光譜分析、下載OpenStreetMap向量等功能，為深度學習提供了便捷的樣本標註功能。
同時，ENVI深度學習提供了一個幫助除錯引數的功能，工具啟動是在/Deep Learning/Deep Learning Guide Map皮膚中如下選單：
其實是內建的一個ENVI Modeler模型（如下圖所示）。可直接執行此模型，設定簡單的引數即可開始訓練。其中Iterations為嘗試訓練的次數（預設16次）。
注：其中Input Model為初始化模型，需要首先使用Deep Learning Guide Map中的Train Model的New Model功能初始化模型，也可使用Train TensorFlow Mask Model工具初始化模型。
如果希望將某些訓練引數設定為固定值，可單擊Randomize Parameters for Train TensorFlow Mask Model節點中的選單鍵，在彈出的對話方塊中進行設定（如下圖所示），其他留空的引數將隨機生成。ENVI提供兩種隨機引數生成方法（Method）：
-
Random Uniform：生成均勻分佈的數字。
-
Sobol Sequence（預設）：生成一個非隨機的數字列表，可以更好地探索可能值的範圍。
如果使用的是Sobol Sequence方法，且在第一輪嘗試（比如16次）之後發現沒有滿意的結果，可設定Iterations為大於16的值（比如30），然後單擊Filter Iterator節點中的選單鍵（如下圖所示），設定Filter Expression為%i ge 16，則在第一輪的基礎上繼續嘗試訓練14次（30-16=14）。
如果有多臺電腦，就可以分批次同時執行了。比如第一臺電腦執行1~10次迭代（Iterations設定為10，Filter Expression為%i ge 0），第二臺電腦執行11~20次迭代（Iterations設定為20，Filter Expression為%i ge 10）。以此類推。
其實如果16次訓練都得不到好的結果，應該考慮調整或增加樣本了。
如果您有足夠的時間、質量夠高的樣本、高配置/多硬碟空間的機器，理論上來說都能得到一個較好的結果，訓練引數對於結果還有影響比較大的。我已經在多個應用場景使用這個方法了，簡單粗暴有效。
讓模型訓練跑起來吧~~~
