TensorFlow具有parse_single_sequence_example功能，可用于将SequenceExamples（即顺序数据）馈送到RNN中 . 但是，对于我想要在循环模型之外尝试完全卷积模型的问题 . 如何以一种方式存储我的数据，以便将数据轻松管理到卷积模型和循环模型中？
为了提供更多信息，我的数据具有以下形状： [number of samples per minibatch, time steps per sample, number of features] . number of samples per minibatch 和 number of features 都是固定的，但 time steps per sample 可以变化（因此我使用动态RNN） . 至少在概念上，应该可以将我的数据重新整形为 [number of samples per minibatch, time steps per sample, number of features, 1] ，并将其视为单通道图像（然后可以通过卷积层传递） . 但是，我对如何解析存储为SequenceExample的数据感到困惑，这种方式可以让我进行这种重塑 .
1 回答
答案取决于您的功能的形状 .
例如，如果您具有可变长度的特征，每个时间步长具有单个浮点值，例如， （0.1，-4.2,3.0）对于一个示例和（8.2）对于另一个示例，您可以考虑将其存储在tf.Example中 .
然后，您可以使用FixedLenSequenceFeature解析parse_example以获取填充的Tensor . 使用batch_size为2继续上面的示例：
如果您希望首先嵌入分类功能，则应使用VarLenFeature获取SparseTensor . 如果每个时间步长只有一个值，则可以将其与tf.Example一起使用 .
如果您有一个值列表，每个时间步骤SequenceExamples更自然 .
那么，应该指导选择的更多问题是你的特征具有什么样的形状 . 在输入convolution或dynamic_rnn之前解析之后，您将需要创建具有可变长度序列维度的填充Tensor .