aliran tensor:: operasi:: ParseContohV2

Mengubah vektor proto tf.Example (sebagai string) menjadi tensor yang diketik.

Ringkasan

Argumen:

• ruang lingkup: Objek Lingkup
• berseri: Skalar atau vektor yang berisi contoh proto berseri biner.
• nama: Tensor yang berisi nama-nama proto yang diserialkan. Sesuai 1:1 dengan tensor serialized . Mungkin berisi, misalnya, nama kunci tabel (deskriptif) untuk proto serial yang sesuai. Ini murni berguna untuk tujuan debugging, dan keberadaan nilai di sini tidak berpengaruh pada output. Mungkin juga berupa vektor kosong jika tidak ada nama yang tersedia. Jika tidak kosong, tensor ini harus memiliki bentuk yang sama dengan "berseri".
• sparse_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh terkait dengan nilai renggang.
• solid_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh terkait dengan nilai padat.
• ragged_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh terkait dengan nilai yang tidak seragam.
• padat_defaults: Daftar Tensor (beberapa mungkin kosong). Sesuai 1:1 dengan dense_keys . padat_defaults[j] memberikan nilai default ketika feature_map contoh tidak memiliki kunci_padat[j]. Jika Tensor kosong disediakan untuk padat_defaults[j], maka Fitur padat_kunci[j] diperlukan. Tipe input disimpulkan dari solid_defaults[j], meskipun kosong. Jika padat_defaults[j] tidak kosong, dan padat_bentuk[j] terdefinisi sepenuhnya, maka bentuk dari padat_defaults[j] harus sesuai dengan bentuk_padat[j]. Jika bentuk_padat[j] memiliki dimensi utama yang tidak terdefinisi (fitur padat langkah variabel), padat_defaults[j] harus berisi satu elemen: elemen bantalan.
• num_sparse: Jumlah kunci renggang.
• sparse_types: Daftar num_sparse tipe; tipe data data di setiap Fitur yang diberikan di sparse_keys. Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
• ragged_value_types: Daftar tipe num_ragged ; tipe data data di setiap Fitur yang diberikan dalam ragged_keys (di mana num_ragged = sparse_keys.size() ). Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
• ragged_split_types: Daftar tipe num_ragged ; tipe data row_splits di setiap Fitur yang diberikan dalam ragged_keys (di mana num_ragged = sparse_keys.size() ). Mungkin DT_INT32 atau DT_INT64.
• solid_shapes: Daftar num_dense bentuk; bentuk data di setiap Fitur yang diberikan dalam Dense_keys (di mana num_dense = dense_keys.size() ). Jumlah elemen dalam Fitur yang terkait dengan kunci_padat[j] harus selalu sama dengan bentuk_padat[j].NumEntries(). Jika bentuk_padat[j] == (D0, D1, ..., DN) maka bentuk keluaran Tensor nilai_padat[j] akan menjadi (|berseri|, D0, D1, ..., DN): Keluaran padatnya adalah hanya baris input yang ditumpuk secara batch. Ini berfungsi untuk bentuk_padat[j] = (-1, D1, ..., DN). Dalam hal ini bentuk keluaran Tensor solid_values[j] adalah (|serialized|, M, D1, .., DN), dengan M adalah jumlah maksimum blok elemen dengan panjang D1 * .... * DN , di semua entri minibatch di input. Setiap entri minibatch dengan elemen kurang dari M blok dengan panjang D1 * ... * DN akan diisi dengan elemen skalar default_value yang sesuai di sepanjang dimensi kedua.

Pengembalian:

• OutputList sparse_indices
• OutputList sparse_values
• OutputList sparse_shapes
• OutputList nilai_padat
• OutputList ragged_values
• OutputList ragged_row_splits

Atribut publik

::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
)