Calcula la distancia de edición de Levenshtein (posiblemente normalizada).
Las entradas son secuencias de longitud variable proporcionadas por SparseTensors (índices_hipótesis, valores_hipótesis, forma_hipótesis) y (índices_verdad, valores_verdad, forma_verdad).
Las entradas son:
Clases anidadas
clase | EditarDistancia.Opciones | Atributos opcionales para EditDistance |
Constantes
Cadena | OP_NOMBRE | El nombre de esta operación, como lo conoce el motor central de TensorFlow. |
Métodos públicos
Salida <TFloat32> | como salida () Devuelve el identificador simbólico del tensor. |
estático <T extiende TType > EditDistance | crear ( Alcance alcance, Operando < TInt64 > índices de hipótesis, Operando <T> valores de hipótesis, Operando < TInt64 > forma de hipótesis, Operando < TInt64 > índices de verdad, Valores de verdad del operando <T>, Valores de verdad, Operando < TInt64 > forma de verdad, Opciones... opciones) Método de fábrica para crear una clase que envuelve una nueva operación EditDistance. |
EditDistance.Options estático | normalizar (normalización booleana) |
Salida <TFloat32> | producción () Un tensor flotante denso con rango R - 1. |
Métodos heredados
Constantes
Cadena final estática pública OP_NAME
El nombre de esta operación, como lo conoce el motor central de TensorFlow.
Métodos públicos
Salida pública <TFloat32> asOutput ()
Devuelve el identificador simbólico del tensor.
Las entradas a las operaciones de TensorFlow son salidas de otra operación de TensorFlow. Este método se utiliza para obtener un identificador simbólico que representa el cálculo de la entrada.
creación de EditDistance estática pública (alcance del alcance , operando < TInt64 > índices de hipótesis, valores de hipótesis del operando <T>, valores de verdad del operando < TInt64 > forma de hipótesis, operando < TInt64 > índices de verdad, valores de verdad del operando <T>, valores de verdad, operando < TInt64 > forma de verdad, opciones... opciones)
Método de fábrica para crear una clase que envuelve una nueva operación EditDistance.
Parámetros
alcance | alcance actual |
---|---|
hipótesisÍndices | Los índices de la lista de hipótesis SparseTensor. Esta es una matriz N x R int64. |
hipótesisValores | Los valores de la lista de hipótesis SparseTensor. Este es un vector de N longitud. |
hipótesisForma | La forma de la lista de hipótesis SparseTensor. Este es un vector de longitud R. |
verdadÍndices | Los índices de la lista de verdad SparseTensor. Esta es una matriz M x R int64. |
verdadValores | Los valores de la lista de verdad SparseTensor. Este es un vector de longitud M. |
verdadForma | índices de verdad, vector. |
opciones | lleva valores de atributos opcionales |
Devoluciones
- una nueva instancia de EditDistance
EditDistance.Options estático público normalizar (normalizar booleano)
Parámetros
normalizar | booleano (si es verdadero, las distancias de edición se normalizan según la longitud de la verdad). La salida es: |
---|
Salida pública <TFloat32> salida ()
Un tensor flotante denso con rango R - 1.
Para la entrada de ejemplo:
// la hipótesis representa una matriz de 2x1 con valores de longitud variable: // (0,0) = ["a"] // (1,0) = ["b"] hipótesis_indices = [[0, 0, 0], [1, 0, 0]] valores_hipótesis = ["a", "b"] forma_hipótesis = [2, 1, 1]
// la verdad representa una matriz de 2x2 con valores de longitud variable: // (0,0) = [] // (0,1) = ["a"] // (1,0) = ["b", " c"] // (1,1) = ["a"] índices_verdad = [[0, 1, 0], [1, 0, 0], [1, 0, 1], [1, 1, 0] ] valores_verdad = ["a", "b", "c", "a"] forma_verdad = [2, 2, 2] normalizar = verdadero
La salida será:
// la salida es una matriz de 2x2 con distancias de edición normalizadas por longitudes reales. salida = [[inf, 1.0], // (0,0): sin verdad, (0,1): sin hipótesis [0.5, 1.0]] // (1,0): suma, (1,1): ninguna hipótesis