# RFD4ProteinaScheduler

`RFD4ProteinaScheduler`, RFD4-Proteína'nın tek modalite için zaman-skoru yeniden ölçeklenmiş akış örnekleyicisidir. Pipeline iki örnek kullanır: biri omurga için (`bb_ca`, nanometre cinsinden koordinatlar), diğeri token başına yerel latentler için (`local_latents`); her birinin kendi zaman zamanlaması, gürültü zamanlaması ve yeniden ölçeklemesi vardır. Örnekleme döngüsü için [RFD4ProteinaPipeline](/docs/diffusers/main/tr/api/pipelines/rfd4_proteina#diffusers.RFD4ProteinaPipeline) bölümüne bakın.

## RFD4ProteinaScheduler[[diffusers.RFD4ProteinaScheduler]]

#### diffusers.RFD4ProteinaScheduler[[diffusers.RFD4ProteinaScheduler]]

```python
diffusers.RFD4ProteinaScheduler(schedule_mode: str, noise_mode: str, tsr_k: float, tsr_sigma: float, tail_steps: int = 10, tail_step_multiplier: int = 2, t_lim_ode: float = 0.95, t_lim_ode_below: float = 0.02)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_rfd4_proteina.py#L76)

**Parametreler:**

schedule_mode (`str`) : Gürültü ile veri arasındaki zamanların aralığı: `"log"` veya `"power"`.

noise_mode (`str`) : Stokastik pencereye enjekte edilen gürültünün şekli: `"1/t"` veya `"tan"`.

tsr_k (`float`) : Örnekleme sıcaklığının ne kadar düşük olacağı; daha yüksek değer daha düşük sıcaklık anlamına gelir.

tsr_sigma (`float`) : Düşük sıcaklığa ne kadar hızlı ulaşıldığı; daha yüksek değerler daha hızlıdır.

tail_steps (`int`, varsayılan `10`) : `tail_step_multiplier` kadar diğerlerinden daha ince olan son aralıkların sayısı.

tail_step_multiplier (`int`, varsayılan `2`) : Son aralıkların ne kadar ince olacağı.

t_lim_ode (`float`, varsayılan `0.95`) : Bu eşiğin üzerindeki zamanlarda adım deterministiktir.

t_lim_ode_below (`float`, varsayılan `0.02`) : Bu sürenin altındaki adımlar deterministiktir.

RFD4-Proteína'nın bir modalitesi için zaman-skor-ölçekli akış örnekleyici.

Pipeline, her biri için bir zamanlayıcı (scheduler) ile iki modaliteyi, omurgayı (backbone) ve token başına yerel latentleri, bir araya getirir. Bunlar zaman çizelgesi, gürültü çizelgesi ve yeniden ölçeklendirme (rescaling) açısından farklılık gösterir.

Örneklemeden önce `set_timesteps` çağrın. Zamanlar gürültüden temiz veriye doğru artar. Bir zamanlayıcı (scheduler) mevcut aralığı izler ve eşzamanlı üretimler arasında paylaşılmamalıdır.

#### set_timesteps[[diffusers.RFD4ProteinaScheduler.set_timesteps]]

```python
set_timesteps(num_inference_steps: int, device: typing.Union[str, torch.device, NoneType] = None, start_time: float | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_rfd4_proteina.py#L133)

**Parametreler:**

num_inference_steps (`int`) : Entegrasyon aralıklarının sayısı.

device (`str` veya `torch.device`, *isteğe bağlı*) : `timesteps` için cihaz. Aralık uzunlukları ve gürültü katsayıları CPU'da kalır.

start_time (`float`, *isteğe bağlı*) : `[0, 1)` aralığında kısmi difüzyon başlangıç zamanı. Tam üretim için atlayın.

Zamanlamayı çözümlen ve entegrasyon imleci sıfırlanır.

#### add_noise[[diffusers.RFD4ProteinaScheduler.add_noise]]

```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: typing.Union[float, torch.Tensor])
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_rfd4_proteina.py#L194)

**Parametreler:**

original_samples (`torch.Tensor`) : Temiz durum `(batch, tokens, D)`.

noise (`torch.Tensor`) : Çağıran tarafından çekilen, aynı şekle sahip gürültü.

timesteps (`float` veya `torch.Tensor`) : `[0, 1)` aralığında bir zaman, bir skaler veya `(batch,)`.

İleri marjinalini örnekleyin `(1 - t) * noise + t * clean`.

#### adım[[diffusers.RFD4ProteinaScheduler.step]]

```python
step(model_output: Tensor, timestep: Tensor, sample: Tensor, emit_mask: Tensor, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_rfd4_proteina.py#L212)

**Parametreler:**

model_output (`torch.Tensor`) : `sample` ile aynı şekle sahip tahmini hız.

timestep (`torch.Tensor`) : `timesteps`'in bir sonraki öğesi. Sırasız adımlar reddedilir.

sample (`torch.Tensor`) : Mevcut durum `(B, N, D)`.

emit_mask (`torch.Tensor`) : Boolean `(B, N)`, güncellenen (bağlam veya dolgu olmayan) tokenlar için true.

generator (`torch.Generator` veya `list[torch.Generator]`, *isteğe bağlı*) : Tek bir satır için bir üreteç veya her parti satırı için ayrı üreteçler. Bunların atlanması, global akışın kullanılmasını sağlar.

return_dict (`bool`, varsayılan `True`) : `RFD4ProteinaSchedulerOutput` döndürür; aksi halde durumu içeren tek öğeli bir demet döndürür.

**Dönüş:** `RFD4ProteinaSchedulerOutput` veya `tuple`

Güncellenmiş durum.

Bir entegrasyon aralığı ilerletin ve `step_index` değerini güncelleyin.

## RFD4ProteinaSchedulerOutput[[diffusers.schedulers.scheduling_rfd4_proteina.RFD4ProteinaSchedulerOutput]]

#### diffusers.schedulers.scheduling_rfd4_proteina.RFD4ProteinaSchedulerOutput[[diffusers.schedulers.scheduling_rfd4_proteina.RFD4ProteinaSchedulerOutput]]

```python
diffusers.schedulers.scheduling_rfd4_proteina.RFD4ProteinaSchedulerOutput(prev_sample: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_rfd4_proteina.py#L19)

**Parametreler:**

prev_sample (`torch.Tensor`) : Adım sonrası durum, şekli `(B, N, D)`: `D`, omurga için 3'tür (nanometre cinsinden koordinatlar) ve yerel gizli değişkenler için gizli genişliktir.

Bir modalitenin güncellenmiş durumu.