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.InvariantPointAttention

class mindsponge.cell.InvariantPointAttention(num_head, num_scalar_qk, num_scalar_v, num_point_v, num_point_qk, num_channel, pair_dim)

该模块用于更新序列表示（即输入inputs_1d），在序列表示中加入位置信息。 其中注意力由三部分构成，即由序列表示得到的q, k, v，由序列表示与刚体变换组局部坐标系T交互得到的q’, k’, v’， 以及从氨基酸对表示（输入中的inputs_2d）中得到的偏移b。

$$a_{ij}=Softmax(w_l(c_1{q_i}^T{k}_j+bij-c_2\sum {\Vert T_i\circ q_i^{\prime }-T_j\circ k_j^{\prime }\Vert }^2))$$

其中i,j分别表示序列中第i、第j个氨基酸，T即输入中的rotation和translation。

参考文献：Jumper et al. (2021) Suppl. Alg. 22 InvariantPointAttention。

参数：

• num_head (int) - 头的数量。

• num_scalar_qk (int) - scalar query/key的数量。

• num_scalar_v (int) - scalar value的数量。

• num_point_v (int) - point value的数量。

• num_point_qk (int) - point query/key的数量。

• num_channel (int) - 通道数量。

• pair_dim (int) - pair的最后一维长度。

输入：

• inputs_1d (Tensor) - Evoformer模块的输出msa表示矩阵中的第一行，也即序列表示, $[N_{res},num\mathrm{\_}channel]$ 。

• inputs_2d (Tensor) - Evoformor模块的输出氨基酸对表示矩阵, $[N_{res},N_{res},pair\mathrm{\_}dim]$ 。

• mask (Tensor) - 掩码，表示inputs_1d的哪些元素参与了attention, $[N_{res},1]$ 。

• rotation (tuple) - 刚体变换组局部坐标系 $T(r,t)$ 中的旋转信息, 长度为9的元组，每个元素shape为 $[N_{res}]$ 。

• translation (tuple) - 刚体变换组局部坐标系 $T(r,t)$ 中的旋转信息的偏移信息, 长度为3的元组，每个元素shape为 $[N_{res}]$ 。

输出：

Tensor，input_1d的更新，shape为 $[N_{res},num\mathrm{\_}channel]$ 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.cell import InvariantPointAttention
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> import mindspore.context as context
>>> context.set_context(mode=context.GRAPH_MODE)
>>> model = InvariantPointAttention(num_head=12, num_scalar_qk=16, num_scalar_v=16,
...                                 num_point_v=8, num_point_qk=4,
...                                 num_channel=384, pair_dim=128)
>>> inputs_1d = Tensor(np.ones((256, 384)), mstype.float32)
>>> inputs_2d = Tensor(np.ones((256, 256, 128)), mstype.float32)
>>> mask = Tensor(np.ones((256, 1)), mstype.float32)
>>> rotation = tuple([Tensor(np.ones(256), mstype.float16) for _ in range(9)])
>>> translation = tuple([Tensor(np.ones(256), mstype.float16) for _ in range(3)])
>>> attn_out = model(inputs_1d, inputs_2d, mask, rotation, translation)
>>> print(attn_out.shape)
(256, 384)