Функция parse_sequence_example

Функция parse_sequence_example преобразует сериализованный протокол SequenceExample в словарь тензоров. Первым параметром передается скалярный тензор типа string, содержащий сериализованные данные. Вторым параметром передается словарь context_features с описанием контекстных признаков. Третьим параметром передается словарь sequence_features с описанием последовательных признаков. Функция возвращает кортеж из двух словарей: первый содержит контекстные тензоры, второй - последовательные.

Синтаксис

tf.io.parse_sequence_example(
	serialized,
	context_features=None,
	sequence_features=None,
	example_names=None,
	name=None
)

Пример

Давайте создадим простой SequenceExample с контекстным признаком context_feature и последовательным признаком sequence_feature, а затем разберем его:

import tensorflow as tf

example = tf.train.SequenceExample()
example.context.feature["context_feature"].int64_list.value.append(5)
example.feature_lists.feature_list["sequence_feature"].feature.add().int64_list.value.append(1)
example.feature_lists.feature_list["sequence_feature"].feature.add().int64_list.value.append(2)
example.feature_lists.feature_list["sequence_feature"].feature.add().int64_list.value.append(3)

serialized = example.SerializeToString()

context, sequence = tf.io.parse_sequence_example(
	serialized,
	context_features={
		"context_feature": tf.io.FixedLenFeature([], dtype=tf.int64)
	},
	sequence_features={
		"sequence_feature": tf.io.FixedLenSequenceFeature([], dtype=tf.int64)
	}
)

print(context)
print(sequence)

Результат выполнения кода:

{'context_feature': <tf.Tensor: shape=(), dtype=int64, numpy=5>}
{'sequence_feature': <tf.Tensor: shape=(3,), dtype=int64, numpy=array([1, 2, 3])>}

Пример

Давайте разберем SequenceExample с несколькими последовательностями разной длины и строковым контекстным признаком:

import tensorflow as tf

example = tf.train.SequenceExample()
example.context.feature["name"].bytes_list.value.append(b"abcde")
example.feature_lists.feature_list["values"].feature.add().int64_list.value.append(10)
example.feature_lists.feature_list["values"].feature.add().int64_list.value.append(20)
example.feature_lists.feature_list["values"].feature.add().int64_list.value.append(30)

serialized = example.SerializeToString()

context, sequence = tf.io.parse_sequence_example(
	serialized,
	context_features={
		"name": tf.io.FixedLenFeature([], dtype=tf.string)
	},
	sequence_features={
		"values": tf.io.FixedLenSequenceFeature([], dtype=tf.int64)
	}
)

print(context["name"].numpy())
print(sequence["values"].numpy())

Результат выполнения кода:

b'abcde'
[10 20 30]

Пример

Давайте разберем SequenceExample с пакетом из двух примеров и переменной длиной последовательности:

import tensorflow as tf

def make_example(values):
	example = tf.train.SequenceExample()
	example.context.feature["id"].int64_list.value.append(len(values))
	for v in values:
		example.feature_lists.feature_list["seq"].feature.add().int64_list.value.append(v)
	return example.SerializeToString()

serialized = tf.constant([make_example([1, 2, 3]), make_example([4, 5])])

context, sequence = tf.io.parse_sequence_example(
	serialized,
	context_features={
		"id": tf.io.FixedLenFeature([], dtype=tf.int64)
	},
	sequence_features={
		"seq": tf.io.FixedLenSequenceFeature([], dtype=tf.int64)
	}
)

print(context["id"].numpy())
print(sequence["seq"])

Результат выполнения кода:

[3 2]
tf.Tensor(
[[1 2 3]
 [4 5 0]], shape=(2, 3), dtype=int64)

Смотрите также

функцию parse_example,
которая разбирает пакет Example
функцию parse_single_example,
которая разбирает один Example
класс FixedLenFeature,
который описывает признак фиксированной длины
класс FixedLenSequenceFeature,
который описывает последовательный признак