如何从tf.data.Dataset`的填充批次中获得序列长度？

Question

例如假设我使用Librispeech dataset via TFDS（或任何数据集，包括数据长度不同的序列），然后使用padded_batch创建批次，例如像这样：

padded_batch

现在，当遍历结果数据集时，即遍历（填充的）批次，我如何知道填充的批次中的原始序列长度？还是此时此信息丢失了？我将如何扩展管道以将其包括在内？是否有类似

import tensorflow_datasets as tfds

dataset = tfds.load(name="librispeech", split="train_clean100")
dataset = dataset.shuffle(1024)
dataset = dataset.padded_batch(32)

的特殊数据集？这需要运行[[before AddSeqLengthInfoDataset，对吧？（这基本上等于padded_batch，但等于my question for TF PaddingFIFOQueue。）

有一些例子吗？ （我有点纳闷，我对此一无所获。我认为当您处理序列时，这是一个相当标准的要求，您是否需要有关原始序列长度的信息？）

Answer 1

您可以将新字段添加到保存序列大小的数据集中，例如：

PaddingFIFOQueue

输出：

tf.data.Dataset

然后您可以将例如import tensorflow as tf

# Make a dataset with variable-size data
def generate_data():
    for i in range(10):
        yield {'id': i, 'data': range(i % 5)}
ds = tf.data.Dataset.from_generator(generate_data,
                                    {'id': tf.int32, 'data': tf.int32},
                                    {'id': [], 'data': [None]})
# Add field with size of data
ds = ds.map(lambda item: {**item, 'size': tf.shape(item['data'])[0]})
# Padded batch
ds = ds.padded_batch(3)
# Show dataset
for batch in ds:
    tf.print(batch)
与该字段的值一起使用以掩盖填充值。

[另一种选择是简单地将某些不能显示在实际数据中的特殊

{'data': [[0 0]
 [0 0]
 [0 1]], 'id': [0 1 2], 'size': [0 1 2]}
{'data': [[0 1 2 0]
 [0 1 2 3]
 [0 0 0 0]], 'id': [3 4 5], 'size': [3 4 0]}
{'data': [[0 0 0]
 [0 1 0]
 [0 1 2]], 'id': [6 7 8], 'size': [1 2 3]}
{'data': [[0 1 2 3]], 'id': [9], 'size': [4]}

传递给tf.sequence_mask，例如tf.sequence_mask或padding_values，但这取决于您的问题实际上是否是无效值。