Python tf.strings.unicode_split_with_offsets用法及代码示例

将每个字符串拆分为具有起始偏移量的代码点序列。

用法

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

参数

input 一个 N 维度可能参差不齐的 string 张量，形状为 [D1...DN] 。 N 必须是静态已知的。
input_encoding 用于解码每个字符串的 unicode 编码的字符串名称。
errors
指定无法使用指示的编码转换输入字符串时的响应。之一：
- 'strict' ：为任何非法子字符串引发异常。
- 'replace' ：用 replacement_char 替换非法子字符串。
- 'ignore' ：跳过非法子串。
replacement_char 当 errors='replace' 时用于代替 input 中的无效子字符串的替换代码点。
name 操作的名称(可选)。

一个元组N+1维张量(codepoints, start_offsets).
- codepoints 是一个 int32 张量，形状为 [D1...DN, (num_chars)] 。
- offsets 是一个 int64 张量，形状为 [D1...DN, (num_chars)] 。
如果 input 是标量，则返回的张量为 tf.Tensor ，否则为 tf.RaggedTensor 。

此操作类似于 tf.strings.decode(...) ，但它还返回其各自字符串中每个字符的起始偏移量。此信息可用于将字符与原始字节序列对齐。

返回一个元组 (chars, start_offsets) 其中：

chars[i1...iN, j] 是 input[i1...iN] 的子字符串，当使用 input_encoding 解码时，它编码其第 j 个字符。
start_offsets[i1...iN, j] 是使用 input_encoding 解码时 input[i1...iN] 中第 j 字符的起始字节偏移量。

例子：

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]]

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.strings.unicode_split_with_offsets。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。