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 (v0.43.0).
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→