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

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 = ('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 )

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→