Hugging Face's logo

Diffusers documentation

RFD4ProteinaTransformer

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

RFD4ProteinaTransformer

El desruidador de RFD4-Proteína. Predice velocidades para las dos modalidades que integra el muestreador —posiciones de CA del esqueleto y latentes locales por token— a partir de tensores moleculares preparados. Las entradas son tensores nombrados más un mapeo de condicionamiento cuyo contenido selecciona la configuración del punto de control; el análisis de la estructura queda fuera de esta clase.

from diffusers import RFD4ProteinaTransformer

transformer = RFD4ProteinaTransformer.from_pretrained(
    "nvidia/RFD4-Proteina-Diffusers", subfolder="transformer"
)

RFD4ProteinaTransformer

clase diffusers.RFD4ProteinaTransformer

< >

( nlayers: int = 14token_dim: int = 768nheads: int = 12dim_cond: int = 256pair_repr_dim: int = 384latent_dim: int = 32token_type_emb_dim: int = 32cath_emb_dim: int = 32t_emb_dim: int = 256seq_sep_dim: int = 64xt_pair_dist_dim: int = 30xt_pair_dist_min: float = 0.1xt_pair_dist_max: float = 3.0feats_seq: tuple[str, ...] = ('xt_bb_ca', 'xt_local_latents', 'token_type', 'sequence_probabilities', 'cond_a37coors_nm', 'cond_a37coors_internal_nm', 'rasa_binned', 'secondary_structure', 'hbond_modernized', 'pistack', 'pication', 'saltbridge', 'hydrophobic', 'metal_coord', 'na_ss_state', 'hotspot', 'atom_charge', 'atomic_element', 'coord_group_seq', 'chirality', 'chain_centroid_xyz')feats_cond_seq: tuple[str, ...] = ('time_emb_bb_ca', 'time_emb_local_latents', 'cath_code', 'recycle_remaining')feats_pair_repr: tuple[str, ...] = ('xt_bb_ca_pair_dists', 'bond_mask', 'bond_order', 'is_aromatic', 'index_group_pair', 'molecule_idx_pair', 'molecule_entity_pair', 'token_bond_path_length', 'canonical_polymer_ordering', 'na_ss_pair')feats_pair_cond: tuple[str, ...] = ('time_emb_bb_ca', 'time_emb_local_latents')update_pair_repr_every_n: int = 2tri_mult_c: int = 256num_sequence_classes: int = 147num_token_types: int = 7recycle_conditioning_dim: int = 1 )

Parámetros

  • nlayers (int, por defecto 14) — Número de capas del tronco.
  • token_dim (int, por defecto 768) — Ancho de la representación de tokens.
  • nheads (int, por defecto 12) — Cabezas de atención por capa.
  • dim_cond (int, por defecto 256) — Ancho del vector de condicionamiento (tiempo, índice de reciclaje, etiqueta CATH).
  • pair_repr_dim (int, por defecto 384) — Ancho de la representación de pares.
  • latent_dim (int, por defecto 32) — Ancho del latente local por token.
  • token_type_emb_dim (int, por defecto 32) — Ancho de la incrustación de tipo de token.
  • cath_emb_dim (int, por defecto 32) — Ancho de cada embedding de clase/arquitectura/topología de CATH.
  • t_emb_dim (int, por defecto 256) — Ancho del embedding sinusoidal del tiempo.
  • seq_sep_dim (int, por defecto 64) — Número de intervalos de longitud de camino de enlace.
  • xt_pair_dist_dim (int, por defecto 30) — Número de bins de distancia de pares del backbone.
  • xt_pair_dist_min (float, por defecto 0.1), xt_pair_dist_max (float, por defecto 3.0) — Rango de distancia de pares en nanómetros.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Nombres de las características proyectadas en las entradas de token, condicionamiento, par y par-condicionamiento.
  • update_pair_repr_every_n (int, por defecto 2) — Con qué frecuencia se actualiza la representación de pares a partir de los tokens entre capas.
  • tri_mult_c (int, por defecto 256) — Ancho oculto de la multiplicación triangular en esas actualizaciones.
  • num_token_types (int, por defecto 7) — Tamaño del vocabulario de tipos de token: proteína, ARN, ADN, atomizado, desconocido, glicano y aminoácido no canónico.
  • recycle_conditioning_dim (int, por defecto 1) — Ancho del one-hot recycle_remaining, cuando esa característica está en feats_cond_seq.
  • num_sequence_classes (int, por defecto 147) — Tamaño del vocabulario de residuos que predice la lectura de la secuencia.

Denoisador de velocidad RFD4 con modalidades de backbone emparejado y latente local.

El modelo se ejecuta en su propio dtype: cárgalo con dtype=torch.bfloat16 para inferencia de precisión reducida. El estado de muestreo que se pasa a forward permanece en float32; los embeddings de características se calculan en float32 y se convierten en la proyección de entrada.

forward

< >

( bb_ca: Tensorlocal_latents: Tensorbb_ca_time: Tensorlocal_latents_time: Tensorpadding_mask: Tensortoken_type: typing.Optional[torch.Tensor] = Noneatom37_mask: typing.Optional[torch.Tensor] = Noneconditioning: dict[str, typing.Any] | None = Nonerecycle_depth: int = 0attention_kwargs: dict[str, typing.Any] | None = Nonereturn_dict: bool = True ) → RFD4ProteinaTransformerOutput or tuple

Parámetros

  • bb_ca (torch.Tensor) — Coordenadas ruidosas del backbone (batch, tokens, 3) en nanómetros.
  • local_latents (torch.Tensor) — Latentes locales con ruido (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) tiempo del backbone en [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) tiempo local latente en [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), verdadero donde un token es real y no relleno.
  • token_type (torch.Tensor, opcional) — códigos de tipo de token de (batch, tokens).
  • atom37_mask (torch.Tensor, opcional) — (batch, tokens, 37), verdadero donde se utiliza un hueco de átomo.
  • conditioning (dict[str, Any], opcional) — Los tensores restantes de topología y condicionamiento, bajo las claves que emite el preprocesador. Cuáles de ellos se leen está fijado por feats_seq, feats_cond_seq, feats_pair_repr y feats_pair_cond del checkpoint; si una característica configurada solicita una clave que no está presente, esa característica queda sin condicionar en lugar de lanzar un error.
  • recycle_depth (int, por defecto 0) — Número de pasadas del tronco; cero aún ejecuta una pasada.
  • attention_kwargs (dict, opcional) — Solo se lee scale, como la escala de LoRA para esta llamada.
  • return_dict (bool, por defecto True) — Devuelve una salida tipada o una tupla de campos no nulos.

Devuelve

RFD4ProteinaTransformerOutput o tuple

Velocidades del backbone/latentes locales y logits opcionales de secuencia/inserción, antes de la integración del programador.

Predice las velocidades a partir de tensores moleculares preparados sin avanzar el muestreador.

RFD4ProteinaTransformerOutput

clase diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput

< >

( backbone: Tensorlocal_latents: typing.Optional[torch.Tensor] = Nonesequence_logits: typing.Optional[torch.Tensor] = Noneinsertion_logits: typing.Optional[torch.Tensor] = None )

Parámetros

  • backbone (torch.Tensor) — Velocidad con forma (batch, tokens, 3), en nanómetros por unidad de tiempo.
  • local_latents (torch.Tensor) — Velocidad latente con forma (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, opcional) — Logits de residuos con forma (batch, tokens, 147).
  • insertion_logits (torch.Tensor, opcional) — Logits de asignación de inserción con forma (batch, tokens, tokens).

Predicciones del denoiser antes de la integración del programador.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→