TensorFlow有一个parse_single_sequence_example函数，这对于将SequenceExample(即顺序数据)输入RNN很有用。但是，对于我正在处理的问题，除了循环模型之外，我还想尝试完全卷积模型。如何存储数据，以便将数据轻松管道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可能会有所不同(因此我使用动态 RNN)。至少在概念上，应该可以将我的数据重塑为[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，以便让我进行这种重塑。
答案有点取决于特征的形状。
例如，如果您有一个可变长度的特征，每个时间步长只有一个浮点值，例如 (0.1， -4.2， 3.0) 用于一个示例，(8.2) 用于另一个示例，您可以考虑将其存储在 tf 中。例。
然后，您可以使用 FixedLenSequenceFeature 对parse_example进行解析，以获得填充的张量。继续上面的示例，batch_size为 2：
[[0.1, -4.2, 3.0],
[8.2, 0.0, 0.0]]
如果你有一个想要首先嵌入的分类特征，那么你应该使用 VarLenFeature 来获取一个稀疏张量。您可以将其与 tf 一起使用。例如，如果每个时间步长只有一个值。
如果你有一个值列表，每个时间步长序列示例更自然地拟合。
因此，应该指导选择的更多的是您的特征具有什么形状的问题。 在输入卷积或卷积dynamic_rnn之前进行解析后，您需要创建一个具有可变长度序列维度的填充张量。