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

Denoiser dari RFD4-Proteína. Prediksi kecepatan untuk dua modalitas yang diintegrasikan oleh sampler — posisi CA backbone dan latens lokal per-token — dari tensor molekul yang telah disiapkan. Input berupa tensor bernama plus pemetaan kondisioning yang isinya dipilih oleh konfigurasi checkpoint; parsing struktur berada di luar kelas ini.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

kelas 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 )

Parameter

  • nlayers (int, defaultnya 14) — Jumlah lapisan trunk.
  • token_dim (int, defaultnya 768) — Lebar representasi token.
  • nheads (int, defaultnya 12) — Jumlah kepala perhatian per lapisan.
  • dim_cond (int, defaultnya 256) — Lebar vektor kondisioning (waktu, indeks daur ulang, label CATH).
  • pair_repr_dim (int, defaultnya 384) — Lebar representasi pasangan.
  • latent_dim (int, defaultnya 32) — Lebar laten lokal per token.
  • token_type_emb_dim (int, defaultnya 32) — Lebar embedding tipe token.
  • cath_emb_dim (int, defaultnya 32) — Lebar setiap embedding kelas/arsitektur/topologi CATH.
  • t_emb_dim (int, defaultnya 256) — Lebar embedding waktu sinusoidal.
  • seq_sep_dim (int, defaultnya 64) — Jumlah bin panjang jalur ikatan.
  • xt_pair_dist_dim (int, defaultnya 30) — Jumlah bin jarak pasangan backbone.
  • xt_pair_dist_min (float, default 0.1), xt_pair_dist_max (float, default 3.0) — Rentang jarak pasangan dalam nanometer.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Nama fitur yang diproyeksikan ke input token, kondisioning, pasangan, dan kondisioning pasangan.
  • update_pair_repr_every_n (int, defaultnya 2) — Seberapa sering representasi pasangan diperbarui dari token di antara lapisan.
  • tri_mult_c (int, defaultnya 256) — Lebar tersembunyi dari perkalian segitiga dalam pembaruan tersebut.
  • num_token_types (int, defaultnya 7) — Ukuran kosakata tipe token: protein, RNA, DNA, atomized, unknown, glikan, dan asam amino non-kanonik.
  • recycle_conditioning_dim (int, defaultnya 1) — Lebar dari one-hot recycle_remaining, ketika fitur tersebut ada di feats_cond_seq.
  • num_sequence_classes (int, defaultnya 147) — Ukuran kosakata residu yang diprediksi oleh pembacaan urutan.

RFD4 velocity denoiser dengan backbone berpasangan dan modalitas lokal-latent.

Model berjalan dalam dtype-nya sendiri: muat dengan dtype=torch.bfloat16 untuk inferensi presisi-rendah. State sampling yang diteruskan ke forward tetap dalam float32; embedding fitur dihitung dalam float32 dan di-cast pada proyeksi input.

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

Parameter

  • bb_ca (torch.Tensor) — Koordinat backbone berisik (batch, tokens, 3) dalam nanometer.
  • local_latents (torch.Tensor) — Laten lokal berisik (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) waktu backbone dalam [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) waktu laten lokal dalam [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), bernilai true di mana token tersebut asli, bukan padding.
  • token_type (torch.Tensor, opsional) — kode token-type (batch, tokens).
  • atom37_mask (torch.Tensor, opsional) — (batch, tokens, 37), bernilai true di mana slot atom digunakan.
  • conditioning (dict[str, Any], opsional) — Tensor topologi dan kondisioning lainnya, di bawah kunci yang dihasilkan oleh preprocessor. Kunci mana yang dibaca ditentukan oleh feats_seq, feats_cond_seq, feats_pair_repr, dan feats_pair_cond dari checkpoint; jika kunci yang diminta oleh fitur yang dikonfigurasi tidak ada, fitur tersebut akan tetap tanpa kondisioning alih-alih memicu error.
  • recycle_depth (int, defaultnya 0) — Jumlah lintasan trunk; nol tetap menjalankan satu lintasan.
  • attention_kwargs (dict, opsional) — Hanya scale yang dibaca, sebagai skala LoRA untuk panggilan ini.
  • return_dict (bool, defaultnya True) — Mengembalikan output bertipe, atau tuple dari field yang bukan None.

Mengembalikan

RFD4ProteinaTransformerOutput atau tuple

Kecepatan backbone/laten-lokal dan logit urutan/insersi opsional, sebelum integrasi scheduler.

Prediksi kecepatan dari tensor molekul yang telah disiapkan tanpa memajukan sampler.

RFD4ProteinaTransformerOutput

kelas 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 )

Parameter

  • backbone (torch.Tensor) — Kecepatan backbone berbentuk (batch, tokens, 3), dalam nanometer per satuan waktu.
  • local_latents (torch.Tensor) — Kecepatan laten dengan bentuk (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, opsional) — Logit residu dengan bentuk (batch, tokens, 147).
  • insertion_logits (torch.Tensor, opsional) — Logit penugasan sisipan dengan bentuk (batch, tokens, tokens).

Prediksi denoiser sebelum integrasi scheduler.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→