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。

文档反馈

mindsponge.common.make_transform_from_reference

mindsponge.common.make_transform_from_reference(point_a, point_b, point_c)[源代码]

使用施密特正交化方法构造骨架的旋转矩阵和平移向量。

计算旋转矩阵和平移满足

a）'N'原子是原始点

b）'CA'原子位于x轴上

c）平面CA-N-C在x-y平面上。

\begin{array}{r} \begin{aligned} {\vec{v}}_{1} = {\vec{x}}_{3} - {\vec{x}}_{2} \\ {\vec{v}}_{2} = {\vec{x}}_{1} - {\vec{x}}_{2} \\ {\vec{e}}_{1} = {\vec{v}}_{1} / | | {\vec{v}}_{1} | | \\ {\vec{u}}_{2} = {\vec{v}}_{2} - {\vec{e}}_{1} ({\vec{e}}_{1}^{T} {\vec{v}}_{2}) \\ {\vec{e}}_{2} = {\vec{u}}_{2} / | | {\vec{u}}_{2} | | \\ {\vec{e}}_{3} = {\vec{e}}_{1} \times {\vec{e}}_{2} \\ r o t a t i o n = ({\vec{e}}_{1}, {\vec{e}}_{2}, {\vec{e}}_{3}) \\ t r a n s l a t i o n = ({\vec{x}}_{2}) \end{aligned} \end{array}

参数：

point_a (float, tensor) -> (tensor) - 'N'原子空间位置信息，shape为: $[. . ., N_{r e s}, 3]$ 。
point_b (float, tensor) -> (tensor) - 'CA'原子空间位置信息，shape为: $[. . ., N_{r e s}, 3]$ 。
point_c (float, tensor) -> (tensor) - 'C'原子空间位置信息，shape为: $[. . ., N_{r e s}, 3]$ 。

返回：

旋转矩阵(tuple) $(x x, x y, x z, y x, y y, y z, z x, z y, z z)$ ，每个元素shape为 $(. . ., N_{r e s})$ 。平移向量(tuple) $(x, y, z)$ 每个元素shape为 $(. . ., N_{r e s})$ 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> import mindspore as ms
>>> from mindspore import Tensor
>>> from mindsponge.common.geometry import make_transform_from_reference
>>> input_0 = Tensor(np.ones((4, 256, 3)), ms.float32)
>>> input_1 = Tensor(np.ones((4, 256, 3)), ms.float32)
>>> input_2 = Tensor(np.ones((4, 256, 3)), ms.float32)
>>> rots, trans = make_transform_from_reference(input_0, input_1, input_2)
>>> print(len(rots), rots[0].shape, len(trans), trans[0].shape)
9, (4, 256), 3, (4, 256)