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.metrics.frame_aligned_point_error

mindsponge.metrics.frame_aligned_point_error(pred_frames, target_frames, frames_mask, pred_positions, target_positions, positions_mask, length_scale, l1_clamp_distance)

在不同的局部坐标系下计算两个结构的原子位置误差。 将预测的原子坐标映射到不同的预测局部坐标系下： $\overrightarrow{x_{j\mathrm{\_}pred}^i}={\mathcal{T}}_{i\mathrm{\_}pred}\circ \overrightarrow{x_{j\mathrm{\_}pred}}$ 同时将真实的原子坐标映射到对应的真实局部坐标系下： $\overrightarrow{x_{j\mathrm{\_}gt}^i}={\mathcal{T}}_{i\mathrm{\_}gt}\circ \overrightarrow{x_{j\mathrm{\_}gt}}$ 然后两两计算结构误差取所有局部坐标系中所有原子坐标L2误差的均值： $\sum _i^{N_{frames}}\sum _j^{N_{atoms}}(\parallel \overrightarrow{x_{j\mathrm{\_}pred}^i}-\overrightarrow{x_{j\mathrm{\_}gt}^i}\parallel )$

参数：

• pred_frames (Tensor) - 预测的蛋白质刚体变换组对应局部坐标系，shape为 $(12,N_{frames})$ ，其中 $N_{frames}$ 是局部坐标系的数量。其中第一维上前九个元素代表局部坐标系相对于全局坐标系的旋转矩阵；后三个代表局部坐标系相对于全局坐标系的平移矩阵。

• target_frames (Tensor) - 预测的蛋白质刚体变换组对应局部坐标系，shape与pred_frames一致。

• frames_mask (Tensor) - 局部坐标系的mask，shape为 $(N_{frames},)$ 。

• pred_positions (Tensor) - 预测的原子坐标，shape为 $(3,N_{atoms})$ 。

• target_positions (Tensor) - 真实的原子坐标，shape与pred_positions一致。

• positions_mask (Tensor) - 预测的原子坐标的mask，shape为 $(N_{atoms},)$ 。

• length_scale (float) - 单位距离，用于缩放距离的差，常量。

• l1_clamp_distance (float) - 距离误差的截断点，超过该距离时梯度不再考虑，常量。

返回：

• error_clamp (Tensor) - Tensor。计算所得全原子点位置误差，计算过程中过大的误差会被截断。shape为 $(N_{recycle},)$ 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> np.random.seed(0)
>>> from mindsponge.metrics import frame_aligned_point_error
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> pred_frames = Tensor(np.random.rand(12, 256)).astype(mstype.float32)
>>> target_frames = Tensor(np.random.rand(12, 256)).astype(mstype.float32)
>>> frames_mask = Tensor(np.random.rand(256,)).astype(mstype.float32)
>>> pred_positions = Tensor(np.random.rand(3, 1024)).astype(mstype.float32)
>>> target_positions = Tensor(np.random.rand(3, 1024)).astype(mstype.float32)
>>> positions_mask = Tensor(np.random.rand(1024,)).astype(mstype.float32)
>>> length_scale = 10.0
>>> l1_clamp_distance = 10.0
>>> fape = frame_aligned_point_error(pred_frames, target_frames, frames_mask,
>>>                                  pred_positions, target_positions, positions_mask,
>>>                                  length_scale, l1_clamp_distance)
>>> print(fape)
0.08747593