tensorflow::ops::ParseExampleV2

Mengubah vektor tf.Example protos (sebagai string) menjadi tensor bertipe.

Ringkasan

Argumen:

• Cakupan: Objek Cakupan
• serialized: Sebuah skalar atau vektor yang berisi biner yang diserialisasi. Contoh protos.
• names: Sebuah tensor yang berisi nama-nama proto yang diserialisasi. Berkorespondensi 1:1 dengan tensor serialized . Dapat berisi, misalnya, nama kunci tabel (deskriptif) untuk proto yang diserialisasi yang sesuai. Ini murni berguna untuk tujuan debugging, dan keberadaan nilai di sini tidak berpengaruh pada output. Dapat juga berupa vektor kosong jika tidak ada nama yang tersedia. Jika tidak kosong, tensor ini harus memiliki bentuk yang sama dengan "serialized".
• sparse_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai sparse.
• dense_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai padat.
• ragged_keys: Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai tidak beraturan.
• dense_defaults: Daftar Tensor (beberapa mungkin kosong). Berkorespondensi 1:1 dengan dense_keys . dense_defaults[j] menyediakan nilai default ketika feature_map contoh tidak memiliki dense_key[j]. Jika Tensor kosong diberikan untuk dense_defaults[j], maka Feature dense_keys[j] diperlukan. Tipe input disimpulkan dari dense_defaults[j], bahkan ketika kosong. Jika dense_defaults[j] tidak kosong, dan dense_shapes[j] didefinisikan sepenuhnya, maka bentuk dense_defaults[j] harus sesuai dengan dense_shapes[j]. Jika dense_shapes[j] memiliki dimensi utama yang tidak terdefinisi (fitur padat langkah variabel), dense_defaults[j] harus berisi satu elemen: elemen padding.
• num_sparse: Jumlah kunci sparse.
• sparse_types: Daftar num_sparse types; tipe data dari data di setiap Fitur yang diberikan dalam sparse_keys. Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
• ragged_value_types: Daftar num_ragged types; tipe data dari 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 num_ragged types; tipe data dari row_splits di setiap Feature yang diberikan dalam ragged_keys (di mana num_ragged = sparse_keys.size() ). Dapat berupa DT_INT32 atau DT_INT64.
• dense_shapes: Daftar num_dense shapes; bentuk data di setiap Fitur yang diberikan dalam dense_keys (di mana num_dense = dense_keys.size() ). Jumlah elemen dalam Fitur yang sesuai dengan dense_key[j] harus selalu sama dengan dense_shapes[j].NumEntries(). Jika dense_shapes[j] == (D0, D1, ..., DN) maka bentuk Tensor output dense_values[j] akan menjadi (|serialized|, D0, D1, ..., DN): Output dense hanyalah input yang ditumpuk baris per batch. Ini berlaku untuk dense_shapes[j] = (-1, D1, ..., DN). Dalam hal ini, bentuk Tensor output dense_values[j] akan menjadi (|serialized|, M, D1, .., DN), di mana M adalah jumlah maksimum blok elemen dengan panjang D1 * .... * DN, di seluruh entri minibatch dalam input. Setiap entri minibatch dengan kurang dari M blok elemen dengan panjang D1 * ... * DN akan diisi dengan elemen skalar default_value yang sesuai di sepanjang dimensi kedua.

Mengembalikan:

• OutputList
• OutputList
• OutputList
• OutputList nilai_padat
• OutputList nilai_kasar
• OutputList

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
)