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

RFD4-Proteína denoiser'ı. Sampler'ın entegre ettiği iki modalite için — backbone CA konumları ve token başına yerel latentler — hazırlanmış moleküler tensörlerden hızları tahmin eder. Girdiler, adlandırılmış tensörler ve checkpoint yapılandırmasının içeriğini seçtiği bir koşullandırma eşlemesidir; yapı ayrıştırması bu sınıfın kapsamı dışındadır.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

sınıf 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 )

Parametreler

  • nlayers (int, varsayılan 14) — Gövde katmanlarının sayısı.
  • token_dim (int, varsayılan 768) — Token temsil genişliği.
  • nheads (int, varsayılan 12) — Katman başına dikkat başı sayısı.
  • dim_cond (int, varsayılan 256) — Koşullandırma vektörünün genişliği (zaman, geri dönüş indeksi, CATH etiketi).
  • pair_repr_dim (int, varsayılan 384) — Çift temsil genişliği.
  • latent_dim (int, varsayılan 32) — Token başına yerel latentin genişliği.
  • token_type_emb_dim (int, varsayılan 32) — Token-türü gömme genişliği.
  • cath_emb_dim (int, varsayılan 32) — Her CATH sınıfı/mimari/topoloji gömme genişliği.
  • t_emb_dim (int, varsayılan 256) — Sinüsoidal zaman gömme genişliği.
  • seq_sep_dim (int, varsayılan 64) — Bağ yolu uzunluğu sınıflarının sayısı.
  • xt_pair_dist_dim (int, varsayılan 30) — Omurga çift mesafe sınıflarının sayısı.
  • xt_pair_dist_min (float, varsayılan 0.1), xt_pair_dist_max (float, varsayılan 3.0) — Nanometre cinsinden çift mesafe aralığı.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Token, koşullandırma, çift ve çift-koşullandırma girdilerine yansıtılan özelliklerin adları.
  • update_pair_repr_every_n (int, varsayılan 2) — Katmanlar arasındaki token'lardan çift temsilinin ne sıklıkla güncellendiğini belirtir.
  • tri_mult_c (int, varsayılan 256) — Bu güncellemelerdeki üçgen çarpımının gizli genişliği.
  • num_token_types (int, varsayılan 7) — Token-türü sözlüğünün boyutu: protein, RNA, DNA, atomize, bilinmeyen, glikan ve non-kanonik amino asit.
  • recycle_conditioning_dim (int, varsayılan 1) — Bu özellik feats_cond_seq içinde olduğunda, recycle_remaining tek-sıcak (one-hot) kodlamasının genişliği.
  • num_sequence_classes (int, varsayılan 147) — Sıralama çıkışının tahmin ettiği kalıntı sözlüğünün boyutu.

Eşleşmiş omurga ve yerel-gizli modalitelere sahip RFD4 hız gürültü temizleyici.

Model kendi dtype'inde çalışır: azaltılmış hassasiyetli çıkarım için dtype=torch.bfloat16 ile yükleyin. forward'e geçirilen örneklem durumu float32'de kalır; özellik gömme değerleri float32'de hesaplanır ve giriş projeksiyonunda dönüştürülür.

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

Parametreler

  • bb_ca (torch.Tensor) — Nanometre cinsinden gürültülü omurga koordinatları (batch, tokens, 3).
  • local_latents (torch.Tensor) — Gürültülü yerel latentler (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) [0, 1] aralığında omurga zamanı.
  • local_latents_time (torch.Tensor) — (batch,) [0, 1] aralığında yerel latent zaman.
  • padding_mask (torch.Tensor) — (batch, tokens), bir token'ın dolgu değil gerçek bir token olduğu yerlerde true.
  • token_type (torch.Tensor, isteğe bağlı) — (batch, tokens) token-türü kodları.
  • atom37_mask (torch.Tensor, isteğe bağlı) — (batch, tokens, 37), bir atom yuvasının kullanıldığı yerlerde true.
  • conditioning (dict[str, Any], isteğe bağlı) — Ön işleyicinin (preprocessor) ürettiği anahtarlar altında kalan topoloji ve koşullama (conditioning) tensörleri, Hangilerinin okunduğu, kontrol noktasının (checkpoint) feats_seq, feats_cond_seq, feats_pair_repr ve feats_pair_cond değerleriyle belirlenir; yapılandırılmış bir özelliğin (feature) istediği ancak mevcut olmayan bir anahtar, o özelliğin koşulsuz (unconditioned) kalmasına neden olur, hata fırlatmaz.
  • recycle_depth (int, varsayılan 0) — Gövde geçiş sayısı; sıfır hâlâ bir geçiş çalıştırır.
  • attention_kwargs (dict, isteğe bağlı) — Bu çağrı için LoRA ölçeği olarak yalnızca scale okunur.
  • return_dict (bool, varsayılan True) — Tipi belirlenmiş bir çıktı veya None olmayan alanların bir demetini döndürür.

Dönüş değeri

RFD4ProteinaTransformerOutput veya tuple

Scheduler entegrasyonundan önce, backbone/local-latent hızları ve isteğe bağlı sequence/insertion logitleri.

Hazırlanmış moleküler tensörlerden örnekleyiciyi ilerletmeden hızları tahmin edin.

RFD4ProteinaTransformerOutput

sınıf 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 )

Parametreler

  • backbone (torch.Tensor) — (batch, tokens, 3) biçiminde, nanometre/birim zaman cinsinden hız.
  • local_latents (torch.Tensor) — (batch, tokens, latent_dim) biçiminde latent hız.
  • sequence_logits (torch.Tensor, isteğe bağlı) — (batch, tokens, 147) biçiminde kalıntı logitleri.
  • insertion_logits (torch.Tensor, isteğe bağlı) — (batch, tokens, tokens) biçiminde insertion atama logitleri.

Zamanlayıcı entegrasyonundan önceki gürültü azaltıcı tahminleri.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→