是否可以为TensorFlows的py_function指定嵌套的输出类型？
作为特定情况，我希望py_function的返回类型为py_function，其中各个元素的尺寸不一定相同。是否可以为((tf.float32, tf.float32), (tf.float32, tf.float32))指定此方法？
就像了解为什么在我的情况下有用时一样，我有一个py_function，其中包含文件路径列表。 tf.data.Dataset采用这些文件路径之一，并从文件中生成负例和正例以及相应的标签，结果为py_function（请注意，标签不一定是单个值，但它们也不是相同的形状作为输入数据）。可以将此((positive_data, positive_label), (negative_data, negative_label))映射到数据集，并且（具有上述结构）将一级展平以生成具有py_function结构化元素的训练数据集。虽然可以通过一种解决方法将数据和标签堆叠在(data, label)中，然后再将其堆叠（或从py_function完全非结构化开始，然后再进行配对），但这会导致设置混乱且令人困惑。如果py_function可以直接输出py_function类型，则可以进行更整洁的设置。
((tf.float32, tf.float32), (tf.float32, tf.float32))的输出类型不能为嵌套序列。但是，当将tf.py_function与tf.py_function API一起使用时，您需要创建一个包装函数（在下面的示例中为tf.data），然后可以将输出嵌套在该函数中。
tf_foo这也在import tensorflow as tf
# The python function.
def foo(x):
return x, x, x, x
# Wrap the python function to make it compatible with `tf.data.Dataset.map`.
def tf_foo(x):
a, b, c, d = tf.py_function(foo, [x], Tout=[tf.float32, tf.float32, tf.float32, tf.float32])
return (a, b), (c, d)
dset = tf.data.Dataset.from_tensor_slices([0, 1, 2, 3, 4])
dset.map(tf_foo)
# <MapDataset shapes: ((<unknown>, <unknown>), (<unknown>, <unknown>)),
# types: ((tf.float32, tf.float32), (tf.float32, tf.float32))>
中得到了证明。