Calcule la distance d'édition de Levenshtein (éventuellement normalisée).
Les entrées sont des séquences de longueur variable fournies par SparseTensors (hypothesis_indices, hypothesis_values, hypothese_shape) et (truth_indices, Truth_values, Truth_shape).
Les entrées sont :
Classes imbriquées
| classe | EditDistance.Options | Attributs facultatifs pour EditDistance | |
Constantes
| Chaîne | OP_NAME | Le nom de cette opération, tel que connu par le moteur principal TensorFlow |
Méthodes publiques
| Sortie < TFloat32 > | comme Sortie () Renvoie le handle symbolique du tenseur. |
| statique <T étend TType > EditDistance | créer ( Portée de portée , Opérande < TInt64 > hypothèseIndices, Opérande <T> hypothèseValues, Opérande < TInt64 > hypothèseForme, Opérande < TInt64 > Indices de vérité, Opérande <T> valeurs de vérité, Opérande < TInt64 > forme de vérité, Options... options) Méthode Factory pour créer une classe encapsulant une nouvelle opération EditDistance. |
| EditDistance.Options statique | normaliser (normalisation booléenne) |
| Sortie < TFloat32 > | sortir () Un tenseur flottant dense de rang R - 1. |
Méthodes héritées
Constantes
chaîne finale statique publique OP_NAME
Le nom de cette opération, tel que connu par le moteur principal TensorFlow
Méthodes publiques
Sortie publique < TFloat32 > asOutput ()
Renvoie le handle symbolique du tenseur.
Les entrées des opérations TensorFlow sont les sorties d'une autre opération TensorFlow. Cette méthode est utilisée pour obtenir un handle symbolique qui représente le calcul de l’entrée.
public static EditDistance créer ( Portée d'application , Opérande < TInt64 > hypotheseIndices, Opérande <T> hypotheseValues, Opérande < TInt64 > hypotheseShape, Operand < TInt64 > TruthIndices, Operand <T> TruthValues, Operand < TInt64 > TruthShape, Options... options)
Méthode Factory pour créer une classe encapsulant une nouvelle opération EditDistance.
Paramètres
| portée | portée actuelle |
|---|---|
| hypothèsesIndices | Les indices de la liste d’hypothèses SparseTensor. Il s'agit d'une matrice N x R int64. |
| HypothèseValeurs | Les valeurs de la liste d’hypothèses SparseTensor. Il s'agit d'un vecteur de longueur N. |
| hypothèseForme | La forme de la liste d’hypothèses SparseTensor. Il s'agit d'un vecteur de longueur R. |
| véritéIndices | Les indices de la liste de vérité SparseTensor. Il s'agit d'une matrice M x R int64. |
| valeurs de vérité | Les valeurs de la liste de vérité SparseTensor. Il s'agit d'un vecteur de longueur M. |
| véritéForme | indices de vérité, vecteur. |
| choix | porte des valeurs d'attributs facultatifs |
Retour
- une nouvelle instance de EditDistance
public static EditDistance.Options normaliser (normalisation booléenne)
Paramètres
| normaliser | booléen (si vrai, les distances d'édition sont normalisées par la longueur de vérité). Le résultat est : |
|---|
Sortie publique < TFloat32 > sortie ()
Un tenseur flottant dense de rang R - 1.
Pour l'exemple d'entrée :
// l'hypothèse représente une matrice 2x1 avec des valeurs de longueur variable : // (0,0) = ["a"] // (1,0) = ["b"] hypothese_indices = [[0, 0, 0], [1, 0, 0]] hypothese_values = ["a", "b"] hypothese_shape = [2, 1, 1]
// la vérité représente une matrice 2x2 avec des valeurs de longueur variable : // (0,0) = [] // (0,1) = ["a"] // (1,0) = ["b", " c"] // (1,1) = ["a"] indices_vérité = [[0, 1, 0], [1, 0, 0], [1, 0, 1], [1, 1, 0] ] Truth_values = ["a", "b", "c", "a"] Truth_shape = [2, 2, 2] normaliser = vrai
Le résultat sera :
// la sortie est une matrice 2x2 avec des distances d'édition normalisées par les longueurs de vérité. output = [[inf, 1.0], // (0,0) : pas de vérité, (0,1) : pas d'hypothèse [0.5, 1.0]] // (1,0) : addition, (1,1) : aucune hypothèse