forked from mindspore-Ecosystem/mindspore
39 lines
2.3 KiB
ReStructuredText
39 lines
2.3 KiB
ReStructuredText
mindspore.ops.EditDistance
|
||
===========================
|
||
|
||
.. py:class:: mindspore.ops.EditDistance(normalize=True)
|
||
|
||
计算Levenshtein编辑距离。它用于测量两个序列的相似性。输入是可变长度的序列，由SpaseTensors（hypothesis_indices, hypothesis_values, hypothesis_shape）和（truth_indices, truth_values, truth_shape）提供。
|
||
|
||
.. math::
|
||
\operatorname{lev}_{a, b}(i, j)=\left\{\begin{array}{ll}
|
||
\max (i, j) \qquad \qquad \qquad \qquad \qquad \quad \ \text { if } \min (i, j)=0 \\
|
||
\min \left\{\begin{array}{ll}
|
||
\operatorname{lev}_{a, b}(i-1, j)+1 & \\
|
||
\operatorname{lev}_{a, b}(i, j-1)+1 & \text { otherwise. } \\
|
||
\operatorname{lev}_{a, b}(i-1, j-1)+1_{\left(a_{i} \neq b_{j}\right)}
|
||
\end{array}\right. &
|
||
\end{array}\right.
|
||
|
||
其中 :math:`a` 表示预测值， :math:`b` 表示真实值。为了便于理解，这里的i和j可以被视为a和b的长度。
|
||
|
||
.. warning::
|
||
- 如果输入 `truth_indices` 或者 `hypothesis_indices` 不是有序的， 可能会导致计算结果不符合预期， 建议调用该接口之前确保输入的稀疏张量 `truth_indices` 和 `hypothesis_indices` 都是升序排列的。
|
||
|
||
参数：
|
||
- **normalize** (bool) - 如果为True，则编辑距离将按真实值长度标准化。默认值：True。
|
||
|
||
输入：
|
||
- **hypothesis_indices** (Tensor) - 预测列表的索引。类型为Tensor，数据类型为int64，其shape为 :math:`(N,R)` 。
|
||
- **hypothesis_values** (Tensor) - 预测列表的值。类型为Tensor，必须是长度为N的一维向量。
|
||
- **hypothesis_shape** (Tensor) - 预测列表的shape。类型为Tensor，必须是长度为R的向量，数据类型为int64。只能是常量。
|
||
- **truth_indices** (Tensor) - 真实列表的索引。类型为Tensor，数据类型为int64，其shape为 :math:`(M,R)` 。
|
||
- **truth_values** (Tensor) - 真实列表的值。类型为Tensor，必须是长度为M的一维向量。
|
||
- **truth_shape** (Tensor) - 真实列表的shape。类型为Tensor，必须是长度为R的向量，数据类型为int64。只能是常量。
|
||
|
||
输出：
|
||
Tensor，其秩为 `R-1` ，数据类型为float32。
|
||
|
||
异常：
|
||
- **TypeError** - 如果 `normalize` 不是bool。
|