ParseExampleV2

public class akhir ParseExampleV2

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

Metode Publik

statis ParseExampleV2	membuat ( Lingkup lingkup, Operan <String> serial, Operan <String> nama, Operan <String> sparseKeys, Operan <String> denseKeys, Operan <String> raggedKeys, Iterable < Operan <? >> denseDefaults, Long numSparse, Daftar <Kelas <? >> sparseTypes, Daftar <Kelas <? >> raggedValueTypes, Daftar <Kelas <? >> raggedSplitTypes, Daftar < Shape > denseShapes) Metode pabrik untuk membuat kelas yang membungkus operasi ParseExampleV2 baru.
Daftar < Keluaran <? >>	denseValues ()
Daftar < Keluaran <? >>	raggedRowSplits ()
Daftar < Keluaran <? >>	raggedValues ()
Daftar < Keluaran <Panjang >>	sparseIndices ()
Daftar < Keluaran <Panjang >>	sparseShapes ()
Daftar < Keluaran <? >>	sparseValues ()

Metode yang Diwarisi

Dari kelas org.tensorflow.op.PrimitiveOp

boolean akhir	sama (Object obj)
akhir	hashCode ()
Operasi	op () Mengembalikan mendasari Operation
string terakhir	toString ()

Dari kelas java.lang.Object

boolean	sama (Object arg0)
Kelas terakhir<?>	getClass ()
ke dalam	hashCode ()
kekosongan akhir	notify ()
kekosongan akhir	notifyAll ()
Rangkaian	toString ()
kekosongan akhir	menunggu (arg0 panjang, int arg1)
kekosongan akhir	menunggu (arg0 panjang)
kekosongan akhir	menunggu ()

Metode Publik

public static ParseExampleV2 membuat ( Scope lingkup, Operan <String> serial, Operan <String> nama, Operan <String> sparseKeys, Operan <String> denseKeys, Operan <String> raggedKeys, Iterable < Operan <? >> denseDefaults, Long numSparse, Daftar <Kelas <? >> sparseTypes, daftar <Kelas <? >> raggedValueTypes, daftar <Kelas <? >> raggedSplitTypes, daftar < Shape > denseShapes)

Metode pabrik untuk membuat kelas yang membungkus operasi ParseExampleV2 baru.

Parameter

cakupan	lingkup saat ini
serial	Skalar atau vektor yang berisi proto Contoh serial biner.
nama	Tensor yang berisi nama-nama proto serial. Sesuai 1:1 dengan tensor `berseri`. Dapat 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 vektor kosong jika tidak ada nama yang tersedia. Jika tidak kosong, tensor ini harus memiliki bentuk yang sama dengan "berseri".
sparseKeys	Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai jarang.
tombol padat	Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai padat.
kunci-kunci compang-camping	Vektor string. Kunci yang diharapkan dalam fitur Contoh yang terkait dengan nilai kasar.
Default padat	Daftar Tensor (beberapa mungkin kosong). Sesuai 1:1 dengan `dense_keys`. density_defaults[j] memberikan nilai default ketika feature_map contoh tidak memiliki density_key[j]. Jika Tensor kosong disediakan untuk density_defaults[j], maka Feature density_keys[j] diperlukan. Jenis input disimpulkan dari density_defaults[j], meskipun kosong. Jika density_defaults[j] tidak kosong, dan density_shapes[j] didefinisikan sepenuhnya, maka bentuk density_defaults[j] harus sesuai dengan bentuk density_shapes[j]. Jika density_shapes[j] memiliki dimensi utama yang tidak ditentukan (fitur padat langkah variabel), density_defaults[j] harus berisi satu elemen: elemen padding.
numSparse	Jumlah kunci jarang.
sparseTypes	Daftar tipe `num_sparse`; tipe data data di setiap Fitur yang diberikan dalam sparse_keys. Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
raggedValueTypes	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).
JenisSplit compang-camping	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.
bentuk padat	Daftar bentuk `num_dense`; bentuk data di setiap Fitur yang diberikan dalam density_keys (di mana `num_dense = density_keys.size()`). Jumlah elemen dalam Fitur yang terkait dengan density_key[j] harus selalu sama dengan density_shapes[j].NumEntries(). Jika density_shapes[j] == (D0, D1, ..., DN) maka bentuk output Tensor density_values[j] akan menjadi (|serialized|, D0, D1, ..., DN): Output padat adalah hanya input yang ditumpuk berdasarkan batch. Ini berfungsi untuk density_shapes[j] = (-1, D1, ..., DN). Dalam hal ini bentuk output Tensor density_values[j] akan menjadi (|serialized|, M, D1, .., DN), di mana M adalah jumlah maksimum blok elemen dengan panjang D1 * .... * DN , di semua entri minibatch di input. Entri minibatch apa pun dengan kurang dari M blok elemen dengan panjang D1 * ... * DN akan diisi dengan elemen skalar default_value yang sesuai di sepanjang dimensi kedua.

Kembali

• contoh baru ParseExampleV2

public List < Keluaran <? >> denseValues ()

public List < Keluaran <? >> raggedRowSplits ()

public List < Keluaran <? >> raggedValues ()

public List < Keluaran <Panjang >> sparseIndices ()

public List < Keluaran <Panjang >> sparseShapes ()

public List < Keluaran <? >> sparseValues ()