Функция parse_single_example

Функция parse_single_example выполняет разбор одного сериализованного примера в формате tf.Example. Первым параметром функция принимает сериализованную строку или скалярный тензор строки. Вторым параметром передается словарь признаков, описывающий схему разбора. Функция возвращает словарь, в котором ключами являются имена признаков, а значениями - соответствующие тензоры.

Синтаксис

tf.io.parse_single_example(serialized, features)

Пример

Давайте создадим сериализованный пример с двумя признаками и выполним его разбор:

import tensorflow as tf

example = tf.train.Example(features=tf.train.Features(feature={
	'name': tf.train.Feature(bytes_list=tf.train.BytesList(value=[b'abcde'])),
	'value': tf.train.Feature(float_list=tf.train.FloatList(value=[1.0, 2.0, 3.0]))
}))
serialized = example.SerializeToString()

features = {
	'name': tf.io.FixedLenFeature([], tf.string),
	'value': tf.io.FixedLenFeature([3], tf.float32)
}

res = tf.io.parse_single_example(serialized, features)
print(res)

Результат выполнения кода:

{'name': <tf.Tensor: shape=(), dtype=string, numpy=b'abcde'>, 'value': <tf.Tensor: shape=(3,), dtype=float32, numpy=array([1., 2., 3.], dtype=float32)>}

Пример

Давайте разберем пример с целочисленным признаком и выведем отдельные тензоры:

import tensorflow as tf

example = tf.train.Example(features=tf.train.Features(feature={
	'id': tf.train.Feature(int64_list=tf.train.Int64List(value=[10, 20, 30]))
}))
serialized = example.SerializeToString()

features = {
	'id': tf.io.FixedLenFeature([3], tf.int64)
}

res = tf.io.parse_single_example(serialized, features)
print(res['id'])

Результат выполнения кода:

tf.Tensor([10 20 30], shape=(3,), dtype=int64)

Смотрите также

функцию parse_example,
которая разбирает пакет сериализованных примеров
функцию parse_sequence_example,
которая разбирает последовательный пример
функцию FixedLenFeature,
которая описывает признак фиксированной длины
функцию VarLenFeature,
которая описывает признак переменной длины