Buckets:
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 fica fora desta classe.
from diffusers import RFD4ProteinaTransformer
transformer = RFD4ProteinaTransformer.from_pretrained(
"nvidia/RFD4-Proteina-Diffusers", subfolder="transformer"
)
RFD4ProteinaTransformer[[diffusers.RFD4ProteinaTransformer]]
diffusers.RFD4ProteinaTransformer[[diffusers.RFD4ProteinaTransformer]]
diffusers.RFD4ProteinaTransformer(nlayers: int = 14, token_dim: int = 768, nheads: int = 12, dim_cond: int = 256, pair_repr_dim: int = 384, latent_dim: int = 32, token_type_emb_dim: int = 32, cath_emb_dim: int = 32, t_emb_dim: int = 256, seq_sep_dim: int = 64, xt_pair_dist_dim: int = 30, xt_pair_dist_min: float = 0.1, xt_pair_dist_max: float = 3.0, feats_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 = 2, tri_mult_c: int = 256, num_sequence_classes: int = 147, num_token_types: int = 7, recycle_conditioning_dim: int = 1)
Parâmetros:
nlayers (int, padrão 14) : Número de camadas do tronco.
token_dim (int, padrão 768) : Largura da representação de tokens.
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 do 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 temporal sinusoidal.
seq_sep_dim (int, padrão 64) : Número de bins de comprimento do 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 tokens: proteína, RNA, DNA, atomizado, desconhecido, glicano e aminoácido não canônico.
recycle_conditioning_dim (int, padrão 1) : Largura do one-hot de 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[[diffusers.RFD4ProteinaTransformer.forward]]
forward(bb_ca: Tensor, local_latents: Tensor, bb_ca_time: Tensor, local_latents_time: Tensor, padding_mask: Tensor, token_type: typing.Optional[torch.Tensor] = None, atom37_mask: typing.Optional[torch.Tensor] = None, conditioning: dict[str, typing.Any] | None = None, recycle_depth: int = 0, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
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 em vez de 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) : Somente 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[[diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput]]
diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput[[diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput]]
diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput(backbone: Tensor, local_latents: typing.Optional[torch.Tensor] = None, sequence_logits: typing.Optional[torch.Tensor] = None, insertion_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) : Atribuição de inserção de logits com forma (batch, tokens, tokens).
Previsões do denoiser antes da integração do agendador.
Xet Storage Details
- Size:
- 8 kB
- Xet hash:
- f254b54e5921e8f188407bc319310565f4688210278afd84652b63fe3e575e72
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.