从包含转录的单词图片列表中，我尝试使用@Id
@GeneratedValue(strategy = GenerationType.IDENTITY)
@Column(name="TXN_ID")
private int txnId;
public TxnCustomer() {
}
public int getTxnId() {
return this.txnId;
}
public void setTxnId(int txnId) {
this.txnId = txnId;
}
创建和阅读稀疏序列标签（tf.nn.ctc_loss），避免
将预打包的培训数据序列化到磁盘中
tf.train.slice_input_producer格式
TFRecord，
任何不必要或过早的填充，
将整个数据集读取到RAM。
主要问题似乎是将字符串转换为tf.py_func所需的标签序列（SparseTensor）。
例如，对于（有序）范围tf.nn.ctc_loss中的字符集，我希望将文本标签字符串[A-Z]转换为序列标签类列表"BAD"
我想要阅读的每个示例图像都包含文本作为文件名的一部分，因此可以直接提取并直接进行python转换。 （如果有办法在TensorFlow计算中做到这一点，我还没有找到它。）
之前的几个问题都是关注这些问题，但我还没有能够成功地整合它们。例如，
Tensorflow read images with labels 显示了一个带有离散的分类标签的简单框架， 这是我作为模特开始的。
How to load sparse data with TensorFlow?
很好地解释了加载稀疏数据的方法，但假设
预先包装[1,0,3]。
有没有办法整合这些方法？
另一个例子（问题＃38012743）显示了如何延迟从字符串到列表的转换，直到将文件名出列用于解码，但它依赖于tf.train.Example，这有一些警告。 （我应该担心他们吗？）
我认识到＆＃34; SparseTensors不能很好地排队等等＃34; （根据tf文档），所以可能有必要在批处理之前对结果（序列化？）做一些伏都教，甚至在计算发生的地方进行返工;我对此持开放态度。
遵循MarvMind的大纲，这是一个基本框架，包含我想要的计算（迭代包含示例文件名的行，提取每个标签字符串并转换为序列），但我还没有成功确定＆＃34; Tensorflow＆＃34;这样做的方法。
感谢您提供正确的＆＃34;调整＆＃34;，这是针对我的目标的更合适的策略，或者表明tf.py_func不会破坏培训效率或其他下游（例如，加载）训练有素的模型以供将来使用）。
编辑（+7小时）我发现了缺少操作的补丁。虽然仍然需要验证这与下游的CTC_Loss有关，但我已检查下面编辑的版本是否正确批量并读入图像和稀疏张量。
tf.py_func答案 0 :(得分：1)
关键想法似乎是从所需数据中创建SparseTensorValue，将其传递给tf.convert_to_tensor_or_sparse_tensor，然后（如果要批量处理数据）将其序列化为tf.serialize_sparse。批处理后，您可以使用tf.deserialize_many_sparse恢复值。
这是大纲。创建稀疏值，转换为张量和序列化：
indices = [[i] for i in range(0,len(text))]
values = [out_charset.index(c) for c in list(text)]
shape = [len(text)]
label = tf.SparseTensorValue(indices,values,shape)
label = tf.convert_to_tensor_or_sparse_tensor(label)
label = tf.serialize_sparse(label) # needed for batching
然后，您可以进行批处理和反序列化：
image,label = tf.train.batch([image,label],dynamic_pad=True)
label = tf.deserialize_many_sparse(label,tf.int32)