Hugging Face's logo

Diffusers documentation

RFD4ProteinaTransformer

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.42.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

RFD4ProteinaTransformer

O denoiser de RFD4-Proteína. Ele prevê velocidades para as duas modalidades que o sampler integra — posições CA do backbone e latentes locais por token — a partir de tensores moleculares preparados. As entradas são tensores nomeados mais um mapeamento de condicionamento cujo conteúdo é selecionado pela configuração do checkpoint; a análise da estrutura está fora desta classe.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

classe 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 = ('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 = ('time_emb_bb_ca', 'time_emb_local_latents', 'cath_code', 'recycle_remaining')feats_pair_repr: tuple = ('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 = ('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 )

Parâmetros

  • nlayers (int, padrão 14) — Número de camadas do tronco.
  • token_dim (int, padrão 768) — Largura da representação do token.
  • nheads (int, padrão 12) — Cabeças de atenção por camada.
  • dim_cond (int, padrão 256) — Largura do vetor de condicionamento (tempo, índice de reciclagem, rótulo CATH).
  • pair_repr_dim (int, padrão 384) — Largura da representação de pares.
  • latent_dim (int, padrão 32) — Largura do latente local por token.
  • token_type_emb_dim (int, padrão 32) — Largura do embedding de tipo de token.
  • cath_emb_dim (int, padrão 32) — Largura de cada incorporação de classe/arquitetura/topologia CATH.
  • t_emb_dim (int, padrão 256) — Largura do embedding sinusoidal de tempo.
  • seq_sep_dim (int, padrão 64) — Número de bins de comprimento de caminho de ligação.
  • xt_pair_dist_dim (int, padrão 30) — Número de bins de distância de pares do backbone.
  • xt_pair_dist_min (float, padrão 0.1), xt_pair_dist_max (float, padrão 3.0) — Intervalo de distância entre pares em nanômetros.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Nomes dos recursos projetados nas entradas de token, condicionamento, par e par-condicionamento.
  • update_pair_repr_every_n (int, padrão 2) — Com que frequência a representação do par é atualizada a partir dos tokens entre as camadas.
  • tri_mult_c (int, padrão 256) — Largura oculta da multiplicação triangular nessas atualizações.
  • num_token_types (int, padrão 7) — Tamanho do vocabulário de tipos de token: proteína, RNA, DNA, atomizado, desconhecido, glicano e aminoácido não canônico.
  • recycle_conditioning_dim (int, padrão 1) — Largura do one-hot recycle_remaining, quando esse recurso está em feats_cond_seq.
  • num_sequence_classes (int, padrão 147) — Tamanho do vocabulário de resíduos que a leitura da sequência prevê.

Denoiser de velocidade RFD4 com modalidades de backbone pareado e latente local.

O modelo é executado em seu próprio dtype: carregue-o com dtype=torch.bfloat16 para inferência de precisão reduzida. O estado de amostragem passado para forward permanece em float32; os embeddings de recursos são calculados em float32 e convertidos na projeção 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

Parâmetros

  • bb_ca (torch.Tensor) — Coordenadas ruidosas do backbone (batch, tokens, 3) em nanômetros.
  • local_latents (torch.Tensor) — Latentes locais com ruído (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) tempo do backbone em [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) tempo local latente em [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), verdadeiro onde um token é real e não preenchimento.
  • token_type (torch.Tensor, opcional) — códigos de tipo de token (batch, tokens).
  • atom37_mask (torch.Tensor, opcional) — (batch, tokens, 37), verdadeiro onde um slot de átomo é utilizado.
  • conditioning (dict[str, Any], opcional) — Os tensores restantes de topologia e condicionamento, sob as chaves emitidas pelo pré-processador. Quais deles são lidos é fixado pelo feats_seq, feats_cond_seq, feats_pair_repr e feats_pair_cond do checkpoint; uma chave solicitada por um recurso configurado, mas ausente, deixa esse recurso sem condicionamento em vez de levantar um erro.
  • recycle_depth (int, padrão 0) — Número de passagens do tronco; zero ainda executa uma passagem.
  • attention_kwargs (dict, opcional) — Apenas scale é lido, como a escala LoRA para esta chamada.
  • return_dict (bool, padrão True) — Retorna uma saída tipada ou uma tupla de campos não-None.

Retorna

RFD4ProteinaTransformerOutput ou tuple

Velocidades do backbone/latente local e logits opcionais de sequência/inserção, antes da integração do agendador.

Preveja velocidades a partir de tensores moleculares preparados sem avançar o amostrador.

RFD4ProteinaTransformerOutput

classe 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 )

Parâmetros

  • backbone (torch.Tensor) — Velocidade do backbone com forma (batch, tokens, 3), em nanômetros por unidade de tempo.
  • local_latents (torch.Tensor) — Velocidade latente com forma (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, opcional) — Logits de resíduos com forma (batch, tokens, 147).
  • insertion_logits (torch.Tensor, opcional) — Logits de atribuição de inserção com forma (batch, tokens, tokens).

Previsões do denoiser antes da integração do agendador.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→