tf.io.parse_sequence_example

Парсит пакет SequenceExample протов.

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

Парсит вектор сериализованных SequenceExample протов, заданных в serialized.

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

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

Ключи context_features связаны со всем SequenceExample независимо от времени/кадра. В отличие от этого, ключи sequence_features предоставляют способ доступа к данным переменной длины внутри FeatureList раздела SequenceExample протокола. В то время как формы значений context_features фиксированы относительно кадра, размерность кадра (первое измерение) значений sequence_features может меняться между SequenceExample протами и даже между ключами feature_list внутри того же SequenceExample.

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

sequence_features содержит VarLenFeature, RaggedFeature, и FixedLenSequenceFeature объекты. Каждый VarLenFeature сопоставлен с SparseTensor; каждый RaggedFeature сопоставлен с RaggedTensor; и каждый FixedLenSequenceFeature сопоставлен с Tensor, каждый из 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([]) дает скалярную 2-мерную Tensor со статической формой [None, None] и динамической формой [B, T], тогда как FixedLenSequenceFeature([k]) (для int k >= 1) дает 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 каждого примера VarLenFeature и FixedLenSequenceFeature могут быть потеряны. Для обработки этой ситуации этот оператор также предоставляет словари тензоров формы в качестве части выходных данных. Один словарь предназначен для контекстных функций, а другой — для функций feature_list. Контекстные функции типа FixedLenFeature не будут присутствовать, поскольку их формы уже известны вызывающей стороне. В ситуациях, когда входные данные FixedLenSequenceFeature имеют разную длину последовательности между примерами, более короткие примеры будут заполнены значениями по умолчанию типа данных: 0 для числовых типов и пустой строкой для строковых типов.

Каждый SparseTensor соответствующий sequence_features представляет собой разреженный вектор. Его индексы - [time, index], где time - запись FeatureList, 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 мы завершимся ошибкой, если эта Feature или FeatureList отсутствует в любом примере в serialized.

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