Oblicza (prawdopodobnie znormalizowaną) odległość edycji Levenshteina.
Dane wejściowe to sekwencje o zmiennej długości dostarczane przez SparseTensors (indices_hipotezy, wartości_hipotezy, kształt_hipotezy) i (indices_prawdy, wartości_prawdy, kształt_prawdy).
Dane wejściowe to:
Klasy zagnieżdżone
| klasa | Edytuj odległość.Opcje | Opcjonalne atrybuty EditDistance | |
Metody publiczne
| Wyjście <Pływak> | jako wyjście () Zwraca symboliczny uchwyt tensora. |
| statyczny <T> EdytujOdległość | |
| statyczne EditDistance.Options | normalizuj (normalizuj logicznie) |
| Wyjście <Pływak> | wyjście () Gęsty tensor float o randze R - 1. |
Metody dziedziczone
Metody publiczne
publiczne wyjście <Float> asOutput ()
Zwraca symboliczny uchwyt tensora.
Dane wejściowe operacji TensorFlow są wynikami innej operacji TensorFlow. Ta metoda służy do uzyskania symbolicznego uchwytu reprezentującego obliczenia danych wejściowych.
public static EditDistance create ( Zakres zakresu, Operand <Long> hipotezaIndices, Operand <T> hipotezaValues, Operand <Long> hipotezaShape, Operand <Long> prawdaIndices, Operand <T> prawdaValues, Operand <Long> prawdaKształt, Opcje... opcje)
Metoda fabryczna służąca do tworzenia klasy opakowującej nową operację EditDistance.
Parametry
| zakres | aktualny zakres |
|---|---|
| HipotezaIndeksy | Indeksy listy hipotez SparseTensor. To jest macierz N x R int64. |
| HipotezaWartości | Wartości listy hipotez SparseTensor. To jest wektor o długości N. |
| hipotezaKształt | Kształt listy hipotez SparseTensor. To jest wektor o długości R. |
| wskaźniki prawdy | Indeksy listy prawdy SparseTensor. To jest macierz M x R int64. |
| wartości prawdy | Wartości listy prawdy SparseTensor. To jest wektor o długości M. |
| kształt prawdy | wskaźniki prawdy, wektor. |
| opcje | przenosi opcjonalne wartości atrybutów |
Zwroty
- nowa instancja EditDistance
public static EditDistance.Options normalizuj (normalizuj logicznie)
Parametry
| normalizować | wartość logiczna (jeśli prawda, odległości edycji są normalizowane według długości prawdy). Dane wyjściowe to: |
|---|
publiczne wyjście <Float> wyjście ()
Gęsty tensor float o randze R - 1.
Dla przykładowego wejścia:
// hipoteza reprezentuje macierz 2x1 o wartościach o zmiennej długości: // (0,0) = ["a"] // (1,0) = ["b"] wskaźniki_hipotezy = [[0, 0, 0], [1, 0, 0]] Wartości_hipotezy = ["a", "b"] Kształt_hipotezy = [2, 1, 1]
// prawda reprezentuje macierz 2x2 o wartościach o zmiennej długości: // (0,0) = [] // (0,1) = ["a"] // (1,0) = ["b", " c"] // (1,1) = ["a"]indices_prawdy = [[0, 1, 0], [1, 0, 0], [1, 0, 1], [1, 1, 0] ] wartości_prawdy = ["a", "b", "c", "a"] prawda_kształt = [2, 2, 2] normalizacja = prawda
Dane wyjściowe będą następujące:
// wyjściem jest macierz 2x2 z odległościami edycji znormalizowanymi przez długości prawdy. wynik = [[inf, 1.0], // (0,0): brak prawdy, (0,1): brak hipotezy [0.5, 1.0]] // (1,0): dodanie, (1,1): żadnej hipotezy