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

mindsponge.cell.GlobalAttention

class mindsponge.cell.GlobalAttention(num_head, gating, input_dim, output_dim, batch_size=None)

global gated自注意力机制，具体实现请参考 Highly accurate protein structure prediction with AlphaFold 。对于GlobalAttention模块，query/key/value tensor的shape需保持一致。

参数：

• num_head (int) - 头的数量。

• gating (bool) - 判断attention是否经过gating的指示器。

• input_dim (int) - 输入的最后一维的长度。

• output_dim (int) - 输出的最后一维的长度。

• batch_size (int) - attention中权重的batch size，仅在有while控制流时使用，默认值： None。

输入：

• q_data (Tensor) - shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length,input\mathrm{\_}dim)$ 的query tensor，其中seq_length是query向量的序列长度。

• m_data (Tensor) - shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length,input\mathrm{\_}dim)$ 的key和value tensor。

• q_mask (Tensor) - shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length,1)$ 的q_data的mask。

• bias (Tensor) - attention矩阵的偏置。默认值： None。

• index (Tensor) - 在while循环中的索引，仅在有while控制流时使用。默认值： None。

输出：

Tensor。GlobalAttention层的输出tensor，shape是 $(batch\mathrm{\_}size,seq\mathrm{\_}length,output\mathrm{\_}dim)$。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.cell import GlobalAttention
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> model = GlobalAttention(num_head=4, input_dim=64, gating=True, output_dim=256)
>>> q_data = Tensor(np.ones((32, 128, 64)), mstype.float32)
>>> m_data = Tensor(np.ones((32, 128, 64)), mstype.float32)
>>> q_mask = Tensor(np.ones((32, 128, 1)), mstype.float32)
>>> attn_out= model(q_data, m_data, q_mask)
>>> print(attn_out.shape)
(32, 128, 256)