mindsponge.metrics.frame_aligned_point_error_map

mindsponge.metrics.frame_aligned_point_error_map(pred_frames, target_frames, frames_mask, pred_positions, target_positions, positions_mask, length_scale, l1_clamp_distance)[源代码]

在不同的局部坐标系下计算两个结构的原子位置误差，与 frame_aligned_point_error 函数相似，区别在于带批处理逻辑，同时计算多组局部坐标系与真实结构局部坐标系之间的误差，针对每组局部坐标系分别返回一个损失函数值，且只考虑 \(C\alpha\) 原子，计算逻辑参考 frame_aligned_point_error。

参数：

pred_frames (list) - 预测的蛋白质刚体变换组对应局部坐标系，二维数组，数组的第一个元素是长度为9的tensor的list，代表局部坐标系相对于全局坐标系的旋转矩阵；第二个元素是长度为3的tensor的list，代表局部坐标系相对于全局坐标系的平移矩阵，所有tensor的shape均为 \((N_{recycle}, N_{res})\) ，其中 \(N_{recycle}\) 是Structure模块中FoldIteration的循环次数。 \(N_{res}\) 是蛋白质中的残基数目。
target_frames (list) - 预测的蛋白质刚体变换组对应局部坐标系，也是二维list，shape与 pred_frames 一致，为 \((N_{res},)\)。
frames_mask (Tensor) - 局部坐标系的mask，shape为 \((N_{res},)\) 。
pred_positions (list) - 预测的 \(C\alpha\) 原子的坐标，长度为3的tensor的一维数组，tensor的shape为 \((N_{recycle}, N_{res},)\) 。
target_positions (list) - 真实的 \(C\alpha\) 原子的坐标，shape为 \((N_{res},)\) 的 3 个Tensor的list。
positions_mask (Tensor) - 预测的原子坐标的mask，shape为 \((N_{res},)\) 。
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。计算所得骨架全原子点位置误差，计算过程中过大的误差会被截断。shape为 \((N_{recycle},)\) 。
error_no_clamp (Tensor) - Tensor。计算所得骨架原子点位置误差（没有截断）。shape为 \((N_{recycle},)\) 。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from mindsponge.metrics import frame_aligned_point_error_map
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> np.random.seed(0)
>>> rot_matrix = [[Tensor(np.random.rand(8, 256)).astype(mstype.float32) for _ in range(9)]]
>>> trans_matrix = [[Tensor(np.random.rand(8, 256)).astype(mstype.float32) for _ in range(3)]]
>>> pred_frames = rot_matrix + trans_matrix
>>> rot_matrix = [[Tensor(np.random.rand(256,)).astype(mstype.float32) for _ in range(9)]]
>>> trans_matrix = [[Tensor(np.random.rand(256,)).astype(mstype.float32) for _ in range(3)]]
>>> target_frames = rot_matrix + trans_matrix
>>> frames_mask = Tensor(np.random.rand(256,)).astype(mstype.float32)
>>> positions_mask = Tensor(np.random.rand(256,)).astype(mstype.float32)
>>> pred_positions = [Tensor(np.random.rand(8, 256)).astype(mstype.float32) for _ in range(3)]
>>> target_positions = [Tensor(np.random.rand(256,)).astype(mstype.float32) for _ in range(3)]
>>> length_scale = 10.0
>>> l1_clamp_distance = 10.0
>>> error, error_noclamp = frame_aligned_point_error_map(pred_frames, target_frames, frames_mask,
...                                                      pred_positions, target_positions, positions_mask,
...                                                      length_scale, l1_clamp_distance)
>>> print(error, error_noclamp)
[0.0827449  0.08608595 0.09045469 0.08518302 0.08452212 0.08624027 0.08426301 0.08154671]
[0.0827449  0.08608595 0.09045469 0.08518302 0.08452212 0.08624027 0.08426301 0.08154671]