فاصله ویرایش لوونشتاین (احتمالاً نرمال شده) را محاسبه می کند.
ورودی‌ها دنباله‌هایی با طول متغیر هستند که توسط SparseTensors (شاخص‌های_فرضی، مقادیر_فرضیه، شکل_فرضیه) و (شاخص_حقیقت، ارزش_صادق، شکل_حقیقت) ارائه می‌شوند.
ورودی ها عبارتند از:
کلاس های تو در تو
| کلاس | EditDistance.Options | ویژگی های اختیاری برای EditDistance | |
روش های عمومی
| خروجی <Float> | asOutput () دسته نمادین یک تانسور را برمی‌گرداند. |
| استاتیک <T> EditDistance | |
| استاتیک EditDistance.Options | عادی سازی (نرمال سازی بولی) |
| خروجی <Float> | خروجی () یک تانسور شناور متراکم با رتبه R - 1. |
روش های ارثی
روش های عمومی
خروجی عمومی <Float> asOutput ()
دسته نمادین یک تانسور را برمی‌گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
ایجاد EditDistance static عمومی ( محدوده دامنه ، عملوند <طولانی> hypothesisIndices، عملوند <T> hypothesisValues، عملوند <Long> hypothesisShape، عملوند <Long> trueIndices، عملوند <T> trueValues، عملوند <Long> trueShape، گزینه های ...
روش کارخانه برای ایجاد کلاسی که یک عملیات EditDistance جدید را بسته بندی می کند.
مولفه های
| محدوده | محدوده فعلی |
|---|---|
| فرضیه شاخص ها | شاخص های فرضیه SparseTensor را فهرست می کند. این یک ماتریس N x R int64 است. |
| فرضیه ارزش ها | مقادیر فرضیه SparseTensor را فهرست می کند. این بردار طول N است. |
| شکل فرضیه | شکل فهرست فرضیه SparseTensor. این یک بردار با طول R است. |
| شاخص های حقیقت | شاخص های حقیقت SparseTensor را فهرست می کنند. این یک ماتریس M x R int64 است. |
| ارزش های حقیقت | مقادیر حقیقت SparseTensor را فهرست می کند. این بردار طول M است. |
| حقیقت شکل | شاخص های حقیقت، بردار. |
| گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از EditDistance
عمومی Static EditDistance. Options normalize (نرمال بولی)
مولفه های
| عادی کردن | بولی (اگر درست باشد، فواصل ویرایش با طول صدق عادی می شود). خروجی این است: |
|---|
خروجی عمومی <Float> خروجی ()
یک تانسور شناور متراکم با رتبه R - 1.
برای ورودی مثال:
// فرضیه یک ماتریس 2x1 را با مقادیر طول متغیر نشان می دهد: // (0,0) = ["a"] // (1,0) = ["b"] hypothesis_indices = [[0, 0, 0], [1, 0, 0]] hypothesis_values = ["a"، "b"] hypothesis_shape = [2، 1، 1]
// حقیقت یک ماتریس 2x2 را با مقادیر طول متغیر نشان می دهد: // (0,0) = [] // (0,1) = ["a"] // (1,0) = ["b"، " c"] // (1,1) = ["a"] true_indices = [[0, 1, 0], [1, 0, 0], [1, 0, 1], [1, 1, 0] ] true_values = ["a"، "b"، "c"، "a"] true_shape = [2، 2، 2] normalize = true
خروجی خواهد بود:
خروجی // یک ماتریس 2x2 با فواصل ویرایش نرمال شده توسط طول صدق است. خروجی = [[inf, 1.0], // (0,0): بدون حقیقت, (0,1): بدون فرضیه [0.5, 1.0]] // (1,0): جمع, (1,1): بدون فرضیه