单独（我认为），但在概念上与https://www.tensorflow.org/versions/r1.9/api_docs/python/tf/contrib/data/bucket_by_sequence_length?hl=en相关。
常规设置：
我想支持最大程度地使用批处理大小的批处理。
考虑以下情况：
max_batch_elements = 32 训练示例实际上是“元元素”，它由变化的多个批处理元素组成，需要分组在一起。
例如，一个训练示例可能填充5个批处理元素，另一个训练示例可能填充20个，另外6个，依此类推。然后，我们可以将这3个示例进行分组，从而填充（5 + 20 + 6 = 31）个批处理元素- ，当然相当有效（可用31/32）。 （如果我们要100％地提高效率，我们将再等len = 1个批处理元素的示例。）
我想建立一个有效的配料方案。
tf.bucket_by_sequence_length对于低批量计数的项目将是相当有效的：例如，对于1,2,3，...，16的存储桶大小，则存在相当有效的分档。例如，存储桶大小= 5 => 6个示例* 5个批处理元素=已填充30个批处理元素（最多32个）。
但是，随着序列的增加，效率会逐渐降低。例如，对于桶大小17，当然，只有一个示例可以通过（保留15个批处理元素未使用）。
理想情况下，我想设置一个存储桶，其中元素填充存储桶以完成操作：
例如，如果传入的示例是批处理镜头[5、15、6、20、30、1、4，...]，那么我们会看到像这样的东西充满了：
Bucket 1: [5, 15, 6, 1, 4] => 32 total => gets sent to GPU for training
Bucket 2: [20]
Bucket 3: [30]
Bucket 4: gets created if necessary, presumably up to some maximum # of buckets, at which point the most-filled bucket gets emptied
（可能将6、1，＆4示例放到存储桶2和3中；只要整个算法朝着更好地填充存储桶的方向，随机行为就可以了。）
在tf中上述（合理）可行吗？无论如何，用Python / Java / C ++ /实现都相当简单，但我不清楚如何在TF中实现。 （很可能我缺少一个隐藏的库函数。）