Tensorflow 如何存储在完全卷积网络和RNN中使用的数据？

TensorFlow有一个函数，用于将序列示例（即序列数据）输入RNN。然而，对于我正在研究的问题，除了递归模型之外，我想尝试完全卷积模型。我如何以一种方式存储我的数据，使数据能够轻松地通过管道传输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：

[每个小批量的样本数、每个样本的时间步长、功能数]

。每个小批量的

样本数

和

功能数

都是固定的，但每个样本的

时间步长

可能会有所不同（因此我使用动态RNN）。至少在概念上，可以将我的数据重塑为

[每个小批量的样本数、每个样本的时间步数、特征数，1]

，并将其视为类似于单通道图像（然后可以通过卷积层）。但是，我对如何解析存储为SequenceExample的数据感到困惑，因为这样做可以让我进行重塑。

答案有点取决于您的功能的形状

例如，如果你有一个可变长度的特征，每一个时间步有一个浮动值，例如（0.1，4.2，3）一个例子，（8.2）另一个例子，你可以考虑把它存储在TF中。 然后可以使用for解析来获得填充张量。继续上面的示例，批量大小为2：

[[0.1, -4.2, 3.0], 
 [8.2,  0.0, 0.0]]

如果你想先嵌入一个分类特征，那么你应该使用VarLenFeature来获得一个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

如果每个时间步都有一个值列表，则示例更适合

因此，引导选择的更多是你的特征有什么形状的问题。

---

在输入到or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。

谢谢您的评论！我更新了我原来的帖子来澄清我的问题。我没有可变长度的特性，而是可变长度的时间步长。我不相信我可以使用FixedLenSequenceFeature，除非我愿意对所有数据进行零填充，我不想这样做，因为我的最长序列比最短序列多一个数量级。要将输入输入到动态或卷积中，你需要一个形状张量[批次、时间、特征]（批处理和时间都可以是静态未知的）。此时，您别无选择，只能填充。带有parse_示例的FixedLenSequenceFeature将为您填充（您可能希望在单独的功能中跟踪序列长度）.但当功能数>1时，您可能会发现SequenceExample更易于使用。要减少填充，请尝试。