tf.io.parse_sequence_example

Разбирает пакет протобуферов SequenceExample.

tf.io.parse_sequence_example(
    serialized,
    context_features=None,
    sequence_features=None,
    example_names=None,
    name=None
)

Разбирает вектор сериализованных протобуферов SequenceExample, заданных в serialized.

Эта операция разбирает сериализованные примеры последовательностей в кортеж словарей, каждый из которых сопоставляет ключи с объектами Tensor и SparseTensor. Первый словарь содержит сопоставления для ключей, присутствующих в context_features, а второй словарь содержит сопоставления для ключей, присутствующих в sequence_features.

Необходимо указать как минимум один из параметров context_features и sequence_features, и он должен быть непустым.

Ключи context_features связаны с SequenceExample как единым целым, независимо от времени / кадра. В отличие от них, ключи sequence_features позволяют получать доступ к данным переменной длины в разделе FeatureList протобуфера SequenceExample. Хотя формы значений context_features фиксированы относительно кадра, размерность кадра (первая размерность) значений sequence_features может различаться в разных протобуферах SequenceExample и даже у разных ключей feature_list в одном и том же SequenceExample.

context_features содержит объекты VarLenFeature, RaggedFeature и FixedLenFeature. Каждому VarLenFeature соответствует SparseTensor; каждому RaggedFeature соответствует RaggedTensor; а каждому FixedLenFeature соответствует Tensor указанного типа, формы и значения по умолчанию.

sequence_features содержит объекты VarLenFeature, RaggedFeature и FixedLenSequenceFeature. Каждому VarLenFeature соответствует SparseTensor; каждому RaggedFeature соответствует RaggedTensor; а каждому FixedLenSequenceFeature соответствует Tensor указанного типа. Форма будет (B,T,) + df.dense_shape для FixedLenSequenceFeature df, где B — размер пакета, а T — длина связанного FeatureList в SequenceExample. Например, FixedLenSequenceFeature([]) возвращает скалярный двумерный Tensor со статической формой [None, None] и динамической формой [B, T], а FixedLenSequenceFeature([k]) (для int k >= 1) возвращает трёхмерную матрицу Tensor со статической формой [None, None, k] и динамической формой [B, T, k].

Как и входные данные, результирующие выходные тензоры имеют размерность пакета. Это означает, что исходные формы отдельных примеров для VarLenFeature и FixedLenSequenceFeature могут быть утрачены. Для обработки таких ситуаций эта операция также возвращает словари тензоров формы. Один словарь предназначен для контекстных признаков, другой — для признаков feature_list. Контекстные признаки типа FixedLenFeatures отсутствуют, поскольку их формы уже известны вызывающему коду. Если входные FixedLenSequenceFeatures имеют разную длину последовательности в разных примерах, более короткие примеры дополняются значениями по умолчанию соответствующего типа данных: 0 для числовых типов и пустой строкой для строковых типов.

Каждый SparseTensor, соответствующий sequence_features, представляет собой разреженный вектор. Его индексы имеют вид [time, index], где time — это запись FeatureList, а index — индекс значения в списке значений, связанных с этим моментом времени.

Записи FixedLenFeature с default_value и записи FixedLenSequenceFeature с allow_missing=True являются необязательными; в противном случае операция завершится ошибкой, если такой Feature или FeatureList отсутствует в каком-либо примере в serialized.

example_name может содержать описательное имя соответствующего сериализованного протобуфера. Это может быть полезно для отладки, но не влияет на результат. Если None не задан, example_name должен быть скаляром.