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。

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.TriangleAttention

class mindsponge.cell.TriangleAttention(orientation, num_head, key_dim, gating, layer_norm_dim, batch_size=None, slice_num=0)

三角注意力机制。详细实现过程参考 TriangleAttention 。

氨基酸对ij之间的信息通过ij,ik,jk三条边的信息整合，具体分为投影、自注意力和输出三个步骤，首先进行氨基酸对i,j,k输入的投影，获取i,j,k两两之间的q,k,v，然后通过经典多头自注意机制，在ij氨基酸对之间的信息中添加上i，j，k三角形边之间的关系，最后输出。

参数：

• orientation (int) - 决定三角注意力的方向, 分别作为三角形“starting”和”ending”边的自注意力机制。

• num_head (int) - Attention头的数量。

• key_dim (int) - Attention隐藏层的维度。

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

• layer_norm_dim (int) - 归一层的维度。

• batch_size (int) - 三角注意力机制中的batch size参数。默认值：”None”。

• slice_num (int) - 为了减少内存需要进行切分的数量。默认值：0。

输入：

• pair_act (Tensor) - pair_act。氨基酸对之间的信息，shape为 $(N_{res},N_{res},layer\mathrm{\_}norm\mathrm{\_}dim)$ 。

• pair_mask (Tensor) - 三角注意力层矩阵的mask。shape为 $(N_{res},N_{res})$ 。

• index (Tensor) - 在循环中的索引，只会在有控制流的时候使用。

• mask (Tensor) - 当做layernorm操作的时候pair_act的掩码，shape为 $(N_{res},N_{res})$，默认值：”None”。

输出：

Tensor。三角注意力层中的pair_act。shape为 $(N_{res},N_{res},layer\mathrm{\_}norm\mathrm{\_}dim)$ 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.cell import TriangleAttention
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> model = TriangleAttention(orientation="per_row", num_head=4, key_dim=64, gating=True, layer_norm_dim=64)
>>> input_0 = Tensor(np.ones((256, 256, 64)), mstype.float32)
>>> input_1 = Tensor(np.ones((256, 256)), mstype.float32)
>>> out = model(input_0, input_1, index=0)
>>> print(out.shape)
(256, 256, 64)