Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

przepływ tensorowy:: ops:: Przykład analizy

#include <parsing_ops.h>

Przekształca wektor mózgu.Przykład protos (jako ciągi) na tensory wpisane.

Streszczenie

Argumenty:

  • zakres: Obiekt zakresu
  • serializowany: Wektor zawierający partię binarnych serializowanych przykładowych protosów.
  • names: wektor zawierający nazwy serializowanych protosów. Może zawierać, na przykład, nazwy kluczy tabeli (opisowe) dla odpowiednich serializowanych protosów. Są one wyłącznie przydatne do celów debugowania, a obecność wartości w tym miejscu nie ma wpływu na dane wyjściowe. Może być również pustym wektorem, jeśli nie są dostępne żadne nazwy. Jeśli nie jest pusty, ten wektor musi mieć taką samą długość jak „serializowany”.
  • sparse_keys: lista tensorów łańcuchów Nsparse (skalary). Klucze oczekiwane w funkcjach przykładów związanych z wartościami rzadkimi.
  • Thick_keys: lista tensorów łańcuchów Ndense (skalary). Klucze oczekiwane w funkcjach przykładów związanych z wartościami gęstymi.
  • Density_defaults: lista tensorów Ndense (niektóre mogą być puste). density_defaults[j] zapewnia wartości domyślne, gdy przykładowa mapa funkcji nie zawiera klucza gęstego[j]. Jeśli pusty Tensor jest dostarczany dla thick_defaults[j], wówczas wymagana jest funkcja thick_keys[j]. Typ danych wejściowych jest wywnioskowany z gęstości_defaults[j], nawet jeśli jest pusty. Jeśli gęstość_defaults[j] nie jest pusta, a gęsty_kształt[j] jest w pełni zdefiniowany, to kształt gęstości_domyślnej[j] musi odpowiadać kształtowi gęstego_kształtu[j]. Jeśli thick_shapes[j] ma niezdefiniowany główny wymiar (funkcja zmiennej gęstej liczby kroków), thick_defaults[j] musi zawierać pojedynczy element: element dopełniający.
  • sparse_types: lista typów Nsparse; typy danych w każdej funkcji podane w sparse_keys. Obecnie ParseExample obsługuje DT_FLOAT (FloatList), DT_INT64 (Int64List) i DT_STRING (BytesList).
  • gęste_kształty: lista gęstych kształtów; kształty danych w każdej funkcji podane w gęstych_klawiszach. Liczba elementów w elemencie odpowiadających gęstym_kluczowi[j] musi zawsze być równa gęstym_kształtom[j].NumEntries(). Jeśli gęste_kształty [j] == (D0, D1, ..., DN) to wynik będzie miał postać (|serialized|, D0, D1, ..., DN): tylko dane wejściowe ułożone w rzędach według partii. Działa to dla gęstych_kształtów[j] = (-1, D1, ..., DN). W tym przypadku wyjściowa postać Tensora gęste_wartości[j] będzie (|serialized|, M, D1, .., DN), gdzie M jest maksymalną liczbą bloków elementów o długości D1 * .... * DN , we wszystkich wpisach minipartii w danych wejściowych. Każdy wpis minipartii zawierający mniej niż M bloków elementów o długości D1 * ... * DN zostanie uzupełniony odpowiednim elementem skalarnym default_value wzdłuż drugiego wymiaru.

Zwroty:

  • Lista wyjściowa OutputList
  • OutputList sparse_values
  • Lista wyjściowa OutputList
  • OutputList gęste_wartości

Konstruktory i destruktory

ParseExample (const :: tensorflow::Scope & scope, :: tensorflow::Input serialized, :: tensorflow::Input names, :: tensorflow::InputList sparse_keys, :: tensorflow::InputList dense_keys, :: tensorflow::InputList dense_defaults, const DataTypeSlice & sparse_types, const gtl::ArraySlice< PartialTensorShape > & dense_shapes)

Atrybuty publiczne

dense_values
operation
sparse_indices
sparse_shapes
sparse_values

Atrybuty publiczne

gęste_wartości

::tensorflow::OutputList dense_values

operacja

Operation operation

rzadkie_indeksy

::tensorflow::OutputList sparse_indices

rzadkie_kształty

::tensorflow::OutputList sparse_shapes

rzadkie_wartości

::tensorflow::OutputList sparse_values

Funkcje publiczne

Przykład analizy

 ParseExample(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input serialized,
  ::tensorflow::Input names,
  ::tensorflow::InputList sparse_keys,
  ::tensorflow::InputList dense_keys,
  ::tensorflow::InputList dense_defaults,
  const DataTypeSlice & sparse_types,
  const gtl::ArraySlice< PartialTensorShape > & dense_shapes
)