جریان تنسور:: عملیات:: ParseExampleV2

بردار tf. نمونه پروتوها (به عنوان رشته ها) را به تانسورهای تایپ شده تبدیل می کند.

خلاصه

استدلال ها:

• scope: یک شی Scope
• serialized: یک اسکالر یا بردار حاوی پروتوهای نمونه سریال دودویی.
• names: تانسوری حاوی نام پروتوهای سریالی شده. با تانسور serialized 1:1 مطابقت دارد. به عنوان مثال، ممکن است شامل نام‌های کلید جدول (توصیفی) برای پروتوهای سریالی مربوطه باشد. اینها صرفاً برای اهداف اشکال زدایی مفید هستند و وجود مقادیر در اینجا تأثیری بر خروجی ندارد. اگر نامی در دسترس نباشد، ممکن است یک بردار خالی باشد. اگر خالی نباشد، این تانسور باید همان شکل "سریال" را داشته باشد.
• sparse_keys: وکتور رشته ها. کلیدهای مورد انتظار در ویژگی‌های Examples مرتبط با مقادیر پراکنده هستند.
• dense_keys: وکتور رشته ها. کلیدهای مورد انتظار در ویژگی‌های Examples مرتبط با مقادیر متراکم هستند.
• ragged_keys: وکتور رشته ها. کلیدهای مورد انتظار در ویژگی‌های Examples مرتبط با مقادیر ناهموار هستند.
• dense_defaults: فهرستی از تانسورها (ممکن است برخی خالی باشند). 1:1 با dense_keys مطابقت دارد. dense_defaults[j] مقادیر پیش‌فرض را زمانی ارائه می‌کند که feature_map مثال فاقد کلید [j] متراکم باشد. اگر یک تانسور خالی برای dense_defaults[j] ارائه شده باشد، سپس Feature dense_keys[j] مورد نیاز است. نوع ورودی از dense_defaults[j] استنباط می شود، حتی زمانی که خالی است. اگر dense_defaults[j] خالی نباشد، و dense_shapes[j] کاملاً تعریف شده باشد، شکل dense_defaults[j] باید با شکل dense_shapes[j] مطابقت داشته باشد. اگر dense_shapes[j] یک بعد اصلی تعریف‌نشده دارد (ویژگی متراکم گام‌های متغیر)، dense_defaults[j] باید یک عنصر واحد داشته باشد: عنصر padding.
• num_sparse: تعداد کلیدهای پراکنده.
• sparse_types: لیستی از انواع num_sparse . انواع داده های داده در هر ویژگی که در کلیدهای پراکنده ارائه شده است. در حال حاضر ParseExample از DT_FLOAT (FloatList)، DT_INT64 (Int64List) و DT_STRING (BytesList) پشتیبانی می کند.
• ragged_value_types: فهرستی از انواع num_ragged . انواع داده های داده در هر ویژگی به صورت ragged_keys (جایی که num_ragged = sparse_keys.size() ) داده شده است. در حال حاضر ParseExample از DT_FLOAT (FloatList)، DT_INT64 (Int64List) و DT_STRING (BytesList) پشتیبانی می کند.
• ragged_split_types: لیستی از انواع num_ragged . انواع داده های row_splits در هر ویژگی به صورت ragged_keys (جایی که num_ragged = sparse_keys.size() ) ارائه شده است. ممکن است DT_INT32 یا DT_INT64 باشد.
• dense_shapes: فهرستی از شکل های num_dense . شکل داده‌ها در هر ویژگی به صورت dense_keys داده شده است (که در آن num_dense = dense_keys.size() ). تعداد عناصر موجود در Feature مربوط به dense_key[j] باید همیشه برابر با dense_shapes[j] باشد.NumEntries(). اگر شکل‌های متراکم[j] == (D0، D1، ...، DN) شکل تانسورهای متراکم[j] خروجی به صورت (|مجموعه|، D0، D1، ...، DN) خواهد بود: خروجی‌های متراکم عبارتند از فقط ورودی ها به صورت دسته ای ردیف شده اند. این برای شکل های متراکم [j] = (-1، D1، ...، DN) کار می کند. در این حالت شکل تانسور خروجی dense_values[j] خواهد بود (|سریال|، M، D1، ..، DN)، که در آن M حداکثر تعداد بلوک های عناصر با طول D1 * .... * DN است. ، در تمام ورودی های minibatch در ورودی. هر ورودی minibatch با کمتر از M بلوک از عناصر به طول D1 * ... * DN با عنصر اسکالر default_value مربوطه در امتداد بعد دوم پر می شود.

برمی‌گرداند:

• OutputList sparse_indexes
• OutputList sparse_values
• OutputList sparse_shapes
• OutputList dense_values
• OutputList ragged_values
• OutputList ragged_row_splits

صفات عمومی

::tensorflow::OutputList dense_values

Operation operation

::tensorflow::OutputList ragged_row_splits

::tensorflow::OutputList ragged_values

::tensorflow::OutputList sparse_indices

::tensorflow::OutputList sparse_shapes

::tensorflow::OutputList sparse_values

 ParseExampleV2(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input serialized,
  ::tensorflow::Input names,
  ::tensorflow::Input sparse_keys,
  ::tensorflow::Input dense_keys,
  ::tensorflow::Input ragged_keys,
  ::tensorflow::InputList dense_defaults,
  int64 num_sparse,
  const DataTypeSlice & sparse_types,
  const DataTypeSlice & ragged_value_types,
  const DataTypeSlice & ragged_split_types,
  const gtl::ArraySlice< PartialTensorShape > & dense_shapes
)