文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.EditDistance

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。

$$\begin{array}{r}{\mathrm{lev}}_{a,b}(i,j)=\{\begin{array}{l}max(i,j)\text{ if }min(i,j)=0\\ min\{\begin{array}{ll}{\mathrm{lev}}_{a,b}(i-1,j)+1& \\ {\mathrm{lev}}_{a,b}(i,j-1)+1& \text{ otherwise. }\\ {\mathrm{lev}}_{a,b}(i-1,j-1)+1_{(a_i\ne b_j)}\end{array}& \end{array}\end{array}$$

其中 $a$ 表示预测值， $b$ 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。

警告

• 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 $(N,R)$ 。

• 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 $(M,R)$ 。

• 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。

支持平台：

Ascend CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.nn as nn
>>> from mindspore import ops
>>> class EditDistance(nn.Cell):
...     def __init__(self, hypothesis_shape, truth_shape, normalize=True):
...         super(EditDistance, self).__init__()
...         self.edit_distance = ops.EditDistance(normalize)
...         self.hypothesis_shape = hypothesis_shape
...         self.truth_shape = truth_shape
...
...     def construct(self, hypothesis_indices, hypothesis_values, truth_indices, truth_values):
...         return self.edit_distance(hypothesis_indices, hypothesis_values, self.hypothesis_shape,
...                                   truth_indices, truth_values, self.truth_shape)
...
>>> hypothesis_indices = Tensor(np.array([[0, 0, 0], [1, 0, 1], [1, 1, 1]]).astype(np.int64))
>>> hypothesis_values = Tensor(np.array([1, 2, 3]).astype(np.float32))
>>> hypothesis_shape = Tensor(np.array([1, 1, 2]).astype(np.int64))
>>> truth_indices = Tensor(np.array([[0, 1, 0], [0, 0, 1], [1, 1, 0], [1, 0, 1]]).astype(np.int64))
>>> truth_values = Tensor(np.array([1, 3, 2, 1]).astype(np.float32))
>>> truth_shape = Tensor(np.array([2, 2, 2]).astype(np.int64))
>>> edit_distance = EditDistance(hypothesis_shape, truth_shape)
>>> output = edit_distance(hypothesis_indices, hypothesis_values, truth_indices, truth_values)
>>> print(output)
[[1. 1.]
 [1. 1.]]