tf.io.parse_sequence_example

Разбирает пакет SequenceExample протоколов.

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

Разбирает вектор сериализованных SequenceExample протоколов, заданных в serialized.

Данный оператор разбирает сериализованные примеры последовательностей в кортеж словарей, каждый из которых сопоставляет ключи к Tensor и SparseTensor объектам. Первый словарь содержит соответствия ключей, встречающихся в context_features, а второй — соответствия ключей, встречающихся в sequence_features.

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

Ключи context_features ассоциируются с SequenceExample в целом, независимо от времени/кадра. В противоположность этому, ключи sequence_features предоставляют способ доступа к данным переменной длины внутри раздела FeatureList протокола SequenceExample. В то время как формы значений context_features фиксированы относительно кадра, размерность кадра (первая размерность) значений sequence_features может различаться между SequenceExample протоколами и даже между ключами feature_list внутри одного и того же SequenceExample.

context_features содержит VarLenFeature, RaggedFeature, и FixedLenFeature объекты. Каждый VarLenFeature сопоставляется с SparseTensor; каждый RaggedFeature — с RaggedTensor; и каждый FixedLenFeature — с Tensor, заданного типа, формы и значения по умолчанию.

sequence_features содержит VarLenFeature, RaggedFeature, и FixedLenSequenceFeature объекты. Каждый VarLenFeature сопоставляется с SparseTensor; каждый RaggedFeature — с RaggedTensor; and eachFixedLenSequenceFeatureis mapped to aTensor, each of the specified type. The shape will be(B,T,) + df.dense_shapeforFixedLenSequenceFeaturedf, whereBis the batch size, andTis the length of the associatedFeatureListin theSequenceExample. For instance,FixedLenSequenceFeature([])yields a scalar 2-DTensorof static shape[None, None]and dynamic shape[B, T], whileFixedLenSequenceFeature([k])(forint k >= 1) yields a 3-D matrixTensorof static shape[None, None, k]and dynamic shape[B, T, k]`.

Как и вход, результирующие выходные тензоры имеют размерность пакетного размера. Это означает, что исходные формы на примеры VarLenFeature и FixedLenSequenceFeature могут быть потеряны. Чтобы справиться с этой ситуацией, этот оператор также предоставляет словари тензоров форм в качестве части выходных данных. Существует один словарь для контекстных функций и один для функций списка функций. Контекстные функции типа FixedLenFeature отсутствуют, так как их формы уже известны вызывающей стороне. В ситуациях, когда входные значения `FixedLenFeature` имеют различную длину для примеров, более короткие примеры будут дополнены значениями по умолчанию для типа данных: 0 для числовых типов и пустая строка для строковых типов.

Каждый SparseTensor соответствующий sequence_features представляет разрозненный вектор. Его индексы — [time, index], где time — FeatureList запись, а index — индекс значения в списке значений, связанных с данным моментом времени.

FixedLenFeature записи с default_value и FixedLenSequenceFeature записи с allow_missing=True являются необязательными; в противном случае мы получим ошибку, 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 оказывает влияния на вывод. Если не None, то example_name должен быть скалярным.