ParseExample

ParseExample kelas akhir publik

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

Konstanta

Rangkaian OP_NAME Nama operasi ini dikenal dengan mesin inti TensorFlow

Metode Publik

Contoh Parse statis
buat ( Lingkup lingkup, Operan < TString > serial, Operan < TString > nama, Operan < TString > sparseKeys, Operan < TString > solidKeys, Operan < TString > raggedKeys, Iterable< Operand <?>> solidDefaults, Long numSparse, List<Class <? extends TType >> sparseTypes, Daftar<Kelas<? extends TType >> raggedValueTypes, Daftar<Class<? extends TNumber >> raggedSplitTypes, Daftar< Bentuk > padatBentuk)
Metode pabrik untuk membuat kelas yang membungkus operasi ParseExample baru.
Daftar< Keluaran <?>>
Daftar< Keluaran <?>>
Daftar< Keluaran <?>>
Daftar< Keluaran < TInt64 >>
Daftar< Keluaran < TInt64 >>
Daftar< Keluaran <?>>

Metode Warisan

Konstanta

String akhir statis publik OP_NAME

Nama operasi ini dikenal dengan mesin inti TensorFlow

Nilai Konstan: "ParseExampleV2"

Metode Publik

public static ParseExample membuat ( Lingkup lingkup, Operan < TString > serial, Operan < TString > nama, Operan < TString > sparseKeys, Operan < TString > solidKeys, Operan < TString > raggedKeys, Iterable< Operand <?>> solidDefaults, Long numSparse, Daftar<Kelas<?meluas TType >> sparseTypes, Daftar<Kelas<?meluas TType >> raggedValueTypes, Daftar<Kelas<?meluas TNumber >> raggedSplitTypes, Daftar< Bentuk > padatBentuk)

Metode pabrik untuk membuat kelas yang membungkus operasi ParseExample baru.

Parameter
cakupan ruang lingkup saat ini
berseri Skalar atau vektor yang berisi proto Contoh serial biner.
nama Tensor yang berisi nama-nama proto yang diserialkan. Sesuai 1:1 dengan tensor `berseri`. Mungkin 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 merupakan 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 terkait dengan nilai renggang.
kunci padat Vektor string. Kunci yang diharapkan dalam fitur Contoh terkait dengan nilai padat.
kunci compang-camping Vektor string. Kunci yang diharapkan dalam fitur Contoh terkait dengan nilai yang tidak seragam.
padatDefault Daftar Tensor (beberapa mungkin kosong). Sesuai 1:1 dengan `dense_keys`. padat_defaults[j] memberikan nilai default ketika feature_map contoh tidak memiliki kunci_padat[j]. Jika Tensor kosong disediakan untuk padat_defaults[j], maka Fitur padat_kunci[j] diperlukan. Tipe input disimpulkan dari solid_defaults[j], meskipun kosong. Jika padat_defaults[j] tidak kosong, dan padat_bentuk[j] terdefinisi sepenuhnya, maka bentuk padat_defaults[j] harus cocok dengan bentuk_padat[j]. Jika bentuk_padat[j] memiliki dimensi utama yang tidak terdefinisi (fitur padat langkah variabel), padat_defaults[j] harus berisi satu elemen: elemen bantalan.
jumlah yang jarang Jumlah kunci yang jarang.
tipe jarang Daftar tipe `num_sparse`; tipe data data di setiap Fitur yang diberikan di sparse_keys. Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
Tipe Nilai yang compang-camping Daftar tipe `num_ragged`; tipe data data di setiap Fitur yang diberikan dalam ragged_keys (dimana `num_ragged = sparse_keys.size()`). Saat ini ParseExample mendukung DT_FLOAT (FloatList), DT_INT64 (Int64List), dan DT_STRING (BytesList).
Tipe Split yang 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 Dense_keys (di mana `num_dense = Dense_keys.size()`). Jumlah elemen dalam Fitur yang terkait dengan kunci_padat[j] harus selalu sama dengan bentuk_padat[j].NumEntries(). Jika bentuk_padat[j] == (D0, D1, ..., DN) maka bentuk keluaran Tensor nilai_padat[j] akan menjadi (|berseri|, D0, D1, ..., DN): Keluaran padatnya adalah hanya baris input yang ditumpuk secara batch. Ini berfungsi untuk bentuk_padat[j] = (-1, D1, ..., DN). Dalam hal ini bentuk keluaran Tensor solid_values[j] adalah (|serialized|, M, D1, .., DN), dengan M adalah jumlah maksimum blok elemen dengan panjang D1 * .... * DN , di semua entri minibatch di input. Setiap entri minibatch dengan elemen kurang dari M blok dengan panjang D1 * ... * DN akan diisi dengan elemen skalar default_value yang sesuai di sepanjang dimensi kedua.
Kembali
  • contoh baru ParseExample

Daftar publik< Keluaran <?>> Nilai padat ()

Daftar publik< Keluaran <?>> raggedRowSplits ()

Daftar publik< Output <?>> raggedValues ​​()

Daftar publik< Output < TInt64 >> sparseIndices ()

Daftar publik< Output < TInt64 >> sparseShapes ()

Daftar publik< Keluaran <?>> sparseValues ​​()