Deserialisasi dan gabungkan `SparseTensors` dari minibatch serial.
Input `serialized_sparse` harus berupa matriks string berbentuk `[N x 3]` dengan `N` adalah ukuran minibatch dan baris-barisnya sesuai dengan output yang dikemas dari `SerializeSparse`. Peringkat objek `SparseTensor` asli semuanya harus cocok. Saat `SparseTensor` terakhir dibuat, peringkatnya satu lebih tinggi daripada peringkat objek `SparseTensor` yang masuk (objek tersebut telah digabungkan di sepanjang dimensi baris baru).
Nilai bentuk objek `SparseTensor` keluaran untuk semua dimensi tetapi yang pertama adalah nilai maksimal seluruh nilai bentuk objek `SparseTensor` masukan untuk dimensi yang sesuai. Nilai bentuk pertamanya adalah `N`, ukuran minibatch.
Indeks objek `SparseTensor` masukan diasumsikan diurutkan dalam urutan leksikografis standar. Jika tidak demikian, setelah langkah ini jalankan `SparseReorder` untuk memulihkan pengurutan indeks.
Misalnya, jika input serial adalah matriks `[2 x 3]` yang mewakili dua objek `SparseTensor` asli:
indeks = [ 0] [10] [20] nilai = [1, 2, 3] bentuk = [50]
Dan
indeks = [ 2] [10] nilai = [4, 5] bentuk = [30]
maka `SparseTensor` terakhir yang dideserialisasi akan menjadi:
indeks = [0 0] [0 10] [0 20] [1 2] [1 10] nilai = [1, 2, 3, 4, 5] bentuk = [2 50]
Konstanta
Rangkaian | OP_NAME | Nama operasi ini dikenal dengan mesin inti TensorFlow |
Metode Publik
statis <T memperluas TType > DeserializeManySparse <T> | |
Keluaran < TInt64 > | |
Keluaran < TInt64 > | |
Keluaran <T> | nilai jarang () |
Metode Warisan
Konstanta
String akhir statis publik OP_NAME
Nama operasi ini dikenal dengan mesin inti TensorFlow
Metode Publik
public static DeserializeManySparse <T> buat ( Lingkup lingkup, Operan < TString > serializedSparse, Kelas<T> dtype)
Metode pabrik untuk membuat kelas yang membungkus operasi DeserializeManySparse baru.
Parameter
cakupan | ruang lingkup saat ini |
---|---|
berseriSparse | 2-D, Objek `SparseTensor` berseri `N`. Harus memiliki 3 kolom. |
tipe | `dtype` dari objek `SparseTensor` yang diserialkan. |
Kembali
- contoh baru dari DeserializeManySparse