tf.strings.unicode_split_with_offsets

Разбивает каждую строку на последовательность кодовых точек с начальными смещениями.

Посмотреть псевдонимы

Псевдонимы совместимости для миграции

Подробнее см. в руководстве по миграции.

tf.compat.v1.strings.unicode_split_with_offsets

tf.strings.unicode_split_with_offsets(
    input,
    input_encoding,
    errors='replace',
    replacement_char=65533,
    name=None
)

Эта операция похожа на tf.strings.decode(...), но также возвращает начальное смещение каждого символа в соответствующей строке. Эти сведения можно использовать для сопоставления символов с исходной последовательностью байтов.

Возвращает кортеж (chars, start_offsets), где:

chars[i1...iN, j] — подстрока input[i1...iN], кодирующая j-й символ при декодировании с помощью input_encoding.
start_offsets[i1...iN, j] — начальное смещение в байтах для j-го символа в input[i1...iN] при декодировании с помощью input_encoding.

Аргументы
`input`	Потенциально нерегулярный тензор `string` с числом измерений `N` и формой `[D1...DN]`. `N` должно быть известно статически.
`input_encoding`	Строковое имя кодировки Unicode, которая должна использоваться для декодирования каждой строки.
`errors`	Задает реакцию на случай, если входную строку невозможно преобразовать с помощью указанной кодировки. Одно из значений: `'strict'`: вызвать исключение для любых недопустимых подстрок. `'replace'`: заменить недопустимые подстроки на `replacement_char`. `'ignore'`: пропустить недопустимые подстроки.
`replacement_char`	Заменяющая кодовая точка, используемая вместо недопустимых подстрок в `input` при значении `errors='replace'`.
`name`	Имя операции (необязательно).

Возвращает

Возвращает
Кортеж тензоров с числом измерений `N+1` и формой `(codepoints, start_offsets)`. `codepoints` — тензор `int32` с формой `[D1...DN, (num_chars)]`. `offsets` — тензор `int64` с формой `[D1...DN, (num_chars)]`. Возвращаемые тензоры являются `tf.Tensor`, если `input` — скаляр, и `tf.RaggedTensor` в противном случае.

Кортеж тензоров с числом измерений N+1 и формой (codepoints, start_offsets).

codepoints — тензор int32 с формой [D1...DN, (num_chars)].
offsets — тензор int64 с формой [D1...DN, (num_chars)].

Возвращаемые тензоры являются tf.Tensor, если input — скаляр, и tf.RaggedTensor в противном случае.

Пример:

input = [s.encode('utf8') for s in (u'G\xf6\xf6dnight', u'\U0001f60a')]
result = tf.strings.unicode_split_with_offsets(input, 'UTF-8')
result[0].to_list()  # character substrings
[[b'G', b'\xc3\xb6', b'\xc3\xb6', b'd', b'n', b'i', b'g', b'h', b't'],
 [b'\xf0\x9f\x98\x8a']]
result[1].to_list()  # offsets
[[0, 1, 3, 5, 6, 7, 8, 9, 10], [0]]

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/strings/unicode_split_with_offsets