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.supervised_chi

mindsponge.metrics.supervised_chi(sequence_mask, aatype, sin_cos_true_chi, torsion_angle_mask, sin_cos_pred_chi, sin_cos_unnormalized_pred, chi_weight, angle_norm_weight, chi_pi_periodic)

计算主链与侧链扭转角的误差，扭转角用角度的正弦与余弦值表示，该误差由两项组成，第一项是正则化后的预测正弦余弦值与真实值的角度差，第二项是预测值的模量与1的差值，称为角度模量误差。 Jumper et al. (2021) Suppl. Alg. 27 "torsionAngleLoss"。

参数：

• sequence_mask (Tensor) - 序列残基的mask，shape为 $(N_{res},)$ ，其中 $N_{res}$ 是蛋白质中的残基数目。

• aatype (Tensor) - 序列中的氨基酸残基类型，shape为 $(N_{res},)$ 。

• sin_cos_true_chi (Tensor) - shape为 $(N_{res},14)$ ，扭转角的正弦和余弦值，每个氨基酸残基有七个扭转角，其中主链三个，侧链四个。

• torsion_angle_mask (Tensor) - 侧链扭转角的mask，shape为 $(N_{res},4)$ 。

• sin_cos_pred_chi (Tensor) - shape为 $(N_{res},4,2)$ ，预测的侧链扭转角的正弦和余弦值。

• sin_cos_unnormalized_pred (Tensor) - 预测的扭转角的正弦和余弦值，没有做过正则化，shape为 $(N_{recycle},N_{res},7,2)$ ，其中 $N_{recycle}$ 是Structure模块中的循环次数。

• chi_weight (float) - 角度差损失函数项的权重。

• angle_norm_weight (float) - 角度模量损失函数项的权重。

• chi_pi_periodic (Tensor) - 扭转角的周期性信息，某些氨基酸的某些扭转角具有周期性。氨基酸性质的常量，shape是 $(21,4)$ ，21代表二十种氨基酸加未知氨基酸。

返回：

Tensor，主链与侧链扭转角的误差，shape为 $()$ 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> np.random.seed(0)
>>> from mindsponge.metrics import supervised_chi
>>> from mindsponge.common import residue_constants
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> sequence_mask = Tensor(np.random.rand(256, )).astype(mstype.float32)
>>> aatype = Tensor(np.random.randint(0, 21, (256,) )).astype(mstype.int32)
>>> sin_cos_true_chi = Tensor(np.random.rand(256, 4, 2)).astype(mstype.float32)
>>> torsion_angle_mask = Tensor(np.random.rand(256, 4)).astype(mstype.float32)
>>> sin_cos_pred_chi = Tensor(np.random.rand(256, 14)).astype(mstype.float32)
>>> sin_cos_unnormalized_pred = Tensor(np.random.rand(8, 256, 7, 2)).astype(mstype.float32)
>>> chi_weight = 0.1
>>> angle_norm_weight = 0.2
>>> chi_pi_periodic = Tensor(residue_constants.chi_pi_periodic).astype(mstype.float32)
>>> chi_loss = supervised_chi(sequence_mask, aatype, sin_cos_true_chi, torsion_angle_mask, sin_cos_pred_chi,
...                           sin_cos_unnormalized_pred, chi_weight, angle_norm_weight, chi_pi_periodic)
>>> print(chi_loss)
0.061829045