W3Cschool
恭喜您成為首批注冊用戶
獲得88經(jīng)驗值獎勵
tf.io.parse_example(
serialized,
features,
name=None,
example_names=None
)
定義在:tensorflow/python/ops/parsing_ops.py。
將Example原型解析為張量的dict。
解析serialized中給出的一些序列化Example原型。我們將serialized稱為具有batch_size的批處理,單個Example原型的許多條目。
example_names可能包含相應(yīng)序列化protos的描述性名稱。這些可能對調(diào)試有用,但它們對輸出沒有影響。如果不是None,則example_names的長度必須與serialized的長度相同。
此操作將序列化示例解析為字典,將鍵映射到Tensor 和SparseTensor對象。features是從鍵到VarLenFeature,SparseFeature和FixedLenFeature對象的一個dict。每個VarLenFeature和SparseFeature都映射到SparseTensor,并且每個FixedLenFeature都映射到Tensor。
每個VarLenFeature映射到指定類型的SparseTensor,表示不規(guī)則矩陣。它的索引是[batch, index],其中batch標識serialized中的例子,并且index是與該功能和示例關(guān)聯(lián)的值列表中的值索引。
每個SparseFeature映射到指定類型的SparseTensor,表示dense_shape [batch_size] + SparseFeature.size的Tensor。它values來自帶有value_key鍵的示例中的功能。values[i]來自批處理輸入batch的示例的功能中的位置k。該位置信息在indices[i]中記錄為[batch, index_0, index_1, ...],其中index_j是具有鍵SparseFeature.index_key [j]的示例中的功能的第k個值。換句話說,我們將SparseTensorby維度的索引(指示批處理輸入的第一個索引除外)拆分為Example的不同的特征。由于其復(fù)雜性,VarLenFeature應(yīng)盡可能優(yōu)先于SparseFeature。
每個FixedLenFeature df映射到指定類型(如果未指定,則為tf.float32)的Tensor并且具有shape (serialized.size(),) + df.shape。
具有default_value的FixedLenFeature條目是可選的。如果沒有默認值,serialized中的任何示例都缺少該Feature,我們將失敗。
每個FixedLenSequenceFeature df映射到指定類型的Tensor(如果未指定則為tf.float32)并且具有shape (serialized.size(), None) + df.shape。serialized中的所有示例將在第二維上使用default_value填充。
例子:
例如,如果需要tf.float32 VarLenFeature ft,并提供三個序列化Example:
serialized = [
features
{ feature { key: "ft" value { float_list { value: [1.0, 2.0] } } } },
features
{ feature []},
features
{ feature { key: "ft" value { float_list { value: [3.0] } } }
]
然后輸出如下:
{"ft": SparseTensor(indices=[[0, 0], [0, 1], [2, 0]],
values=[1.0, 2.0, 3.0],
dense_shape=(3, 2)) }
如果使用default_value = -1.0代替FixedLenSequenceFeature,并且使用shape=[],那么輸出將如下所示:
{"ft": [[1.0, 2.0], [3.0, -1.0]]}
給出serialized中的兩個Example輸入原型:
[
features {
feature { key: "kw" value { bytes_list { value: [ "knit", "big" ] } } }
feature { key: "gps" value { float_list { value: [] } } }
},
features {
feature { key: "kw" value { bytes_list { value: [ "emmy" ] } } }
feature { key: "dank" value { int64_list { value: [ 42 ] } } }
feature { key: "gps" value { } }
}
]
和參數(shù):
example_names: ["input0", "input1"],
features: {
"kw": VarLenFeature(tf.string),
"dank": VarLenFeature(tf.int64),
"gps": VarLenFeature(tf.float32),
}
然后輸出是一個字典:
{
"kw": SparseTensor(
indices=[[0, 0], [0, 1], [1, 0]],
values=["knit", "big", "emmy"]
dense_shape=[2, 2]),
"dank": SparseTensor(
indices=[[1, 0]],
values=[42],
dense_shape=[2, 1]),
"gps": SparseTensor(
indices=[],
values=[],
dense_shape=[2, 0]),
}
對于兩個序列化Example的密集結(jié)果:
[
features {
feature { key: "age" value { int64_list { value: [ 0 ] } } }
feature { key: "gender" value { bytes_list { value: [ "f" ] } } }
},
features {
feature { key: "age" value { int64_list { value: [] } } }
feature { key: "gender" value { bytes_list { value: [ "f" ] } } }
}
]
我們可以使用參數(shù):
example_names: ["input0", "input1"],
features: {
"age": FixedLenFeature([], dtype=tf.int64, default_value=-1),
"gender": FixedLenFeature([], dtype=tf.string),
}
而預(yù)期的輸出是:
{
"age": [[0], [-1]],
"gender": [["f"], ["f"]],
}
用于獲取SparseTensor的VarLenFeature的替代方法是SparseFeature。例如,給定兩個serialized的示例輸入原型:
[
features {
feature { key: "val" value { float_list { value: [ 0.5, -1.0 ] } } }
feature { key: "ix" value { int64_list { value: [ 3, 20 ] } } }
},
features {
feature { key: "val" value { float_list { value: [ 0.0 ] } } }
feature { key: "ix" value { int64_list { value: [ 42 ] } } }
}
]
和參數(shù):
example_names: ["input0", "input1"],
features: {
"sparse": SparseFeature(
index_key="ix", value_key="val", dtype=tf.float32, size=100),
}
然后輸出是一個字典:
{
"sparse": SparseTensor(
indices=[[0, 3], [0, 20], [1, 42]],
values=[0.5, -1.0, 0.0]
dense_shape=[2, 100]),
}
參數(shù):
返回:
一個dict映射功能鍵到Tensor和SparseTensor值。
可能引發(fā)的異常:
Copyright©2021 w3cschool編程獅|閩ICP備15016281號-3|閩公網(wǎng)安備35020302033924號
違法和不良信息舉報電話:173-0602-2364|舉報郵箱:jubao@eeedong.com
掃描二維碼
下載編程獅App
編程獅公眾號
聯(lián)系方式:
更多建議: