tf.io.parse_sequence_example

Парсит пакет SequenceExample протоколов.

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

Парсит вектор сериализованных SequenceExample протоколов, представленных в serialized.

Этот оператор парсит сериализованные примеры последовательности в кортеж словарей, каждый из которых сопоставляет ключи к Tensor и SparseTensor объектам. Первый словарь содержит сопоставления для ключей, присутствующих в context_features, а второй словарь содержит сопоставления для ключей, присутствующих в sequence_features.

По крайней мере, один из context_features и sequence_features должен быть предоставлен и не пустым.

Ключи context_features связаны с SequenceExample в целом, независимо от времени / кадра. В отличие от этого, ключи sequence_features предоставляют способ доступа к данным переменной длины внутри раздела FeatureList протокола SequenceExample. Хотя формы значений context_features фиксированы относительно кадра, размерность кадра (первая размерность) значений sequence_features может изменяться между SequenceExample протоколами, а также между ключами feature_list в том же SequenceExample.

context_features содержит VarLenFeature и FixedLenFeature объекты. Каждый VarLenFeature сопоставлен с SparseTensor, а каждый FixedLenFeature сопоставлен с Tensor, заданного типа, формы и значения по умолчанию.

sequence_features содержит VarLenFeature и FixedLenSequenceFeature объекты. Каждый VarLenFeature сопоставлен с SparseTensor, а каждый FixedLenSequenceFeature сопоставлен с Tensor, каждого указанного типа. Форма будет (B,T,) + df.dense_shape для FixedLenSequenceFeature df, где B — размер пакета, а T — длина связанной FeatureList в SequenceExample. Например, FixedLenSequenceFeature([]) создает скалярную 2-мерную Tensor со статической формой [None, None] и динамической формой [B, T], а FixedLenSequenceFeature([k]) (для int k >= 1 ) создает 3-мерную 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 по примерам для VarLenFeature и FixedLenSequenceFeature могут быть потеряны. Чтобы справиться с этой ситуацией, этот оператор также предоставляет словари тензоров формы в качестве части выходных данных. Есть один словарь для контекстных функций и один для функций feature_list. Контекстные функции типа FixedLenFeature отсутствуют, поскольку их формы уже известны вызывающему объекту. В ситуациях, когда входные «FixedLenFeature» имеют разную длину в разных примерах, более короткие примеры заполняются значениями по умолчанию соответствующего типа: 0 для числовых типов и пустая строка для строковых типов.

Каждый SparseTensor соответствующий sequence_features представляет собой разрозненный вектор. Его индексы — [time, index], где time — FeatureList элемент, а index — индекс значения в списке значений, связанных с этим временем.

FixedLenFeature записи с default_value и FixedLenSequenceFeature записи с allow_missing=True являются необязательными; в противном случае произойдет ошибка, если эта Feature или FeatureList отсутствует в каком-либо примере в serialized.

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