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

Le débruiteur de RFD4-Proteína. Il prédit les vitesses pour les deux modalités que l'échantillonneur intègre — les positions CA du squelette et les latents locaux par jeton — à partir de tenseurs moléculaires préparés. Les entrées sont des tenseurs nommés ainsi qu'un mappage de conditionnement dont le contenu est sélectionné par la configuration du point de contrôle ; l'analyse de la structure est en dehors de cette classe.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

classe 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 )

Paramètres

  • nlayers (int, par défaut 14) — Nombre de couches du tronc.
  • token_dim (int, par défaut 768) — Largeur de la représentation des jetons.
  • nheads (int, par défaut 12) — Têtes d'attention par couche.
  • dim_cond (int, par défaut 256) — Largeur du vecteur de conditionnement (temps, index de recyclage, étiquette CATH).
  • pair_repr_dim (int, par défaut 384) — Largeur de la représentation des paires.
  • latent_dim (int, par défaut 32) — Largeur du latent local par jeton.
  • token_type_emb_dim (int, par défaut 32) — Largeur de l'incorporation de type de jeton.
  • cath_emb_dim (int, par défaut 32) — Largeur de chaque embedding de classe/architecture/topologie CATH.
  • t_emb_dim (int, par défaut 256) — Largeur de l'encodage temporel sinusoïdal.
  • seq_sep_dim (int, par défaut 64) — Nombre de classes de longueur de chemin de liaison.
  • xt_pair_dist_dim (int, par défaut 30) — Nombre de classes de distance par paires pour le backbone.
  • xt_pair_dist_min (float, par défaut 0.1), xt_pair_dist_max (float, par défaut 3.0) — Plage de distance entre paires, en nanomètres.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Noms des caractéristiques projetées dans les entrées de jeton, de conditionnement, de paire et de conditionnement de paire.
  • update_pair_repr_every_n (int, par défaut 2) — Fréquence à laquelle la représentation des paires est mise à jour à partir des jetons entre les couches.
  • tri_mult_c (int, par défaut 256) — Largeur cachée de la multiplication triangulaire dans ces mises à jour.
  • num_token_types (int, par défaut 7) — Taille du vocabulaire des types de jetons : protéine, ARN, ADN, atomisé, inconnu, glycan et acide aminé non canonique.
  • recycle_conditioning_dim (int, par défaut 1) — Largeur du one-hot recycle_remaining, lorsque cette fonction est dans feats_cond_seq.
  • num_sequence_classes (int, par défaut 147) — Taille du vocabulaire de résidus prédit par la lecture de séquence.

Denoiseur de vitesse RFD4 avec modalités backbone appariées et latentes locales.

Le modèle s’exécute dans son propre dtype : chargez-le avec dtype=torch.bfloat16 pour une inférence en précision réduite. L’état d’échantillonnage transmis à forward reste en float32 ; les embeddings de caractéristiques sont calculés en float32 et convertis à la projection d’entrée.

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

Paramètres

  • bb_ca (torch.Tensor) — Coordonnées bruitées du squelette (batch, tokens, 3) en nanomètres.
  • local_latents (torch.Tensor) — Latents locaux bruités (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) temps du backbone dans [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) temps latent local dans [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), vrai là où un jeton est réel plutôt que du bourrage.
  • token_type (torch.Tensor, facultatif) — codes de type de jeton (batch, tokens).
  • atom37_mask (torch.Tensor, facultatif) — (batch, tokens, 37), vrai là où un emplacement d'atome est utilisé.
  • conditioning (dict[str, Any], facultatif) — Les tenseurs de topologie et de conditionnement restants, sous les clés émises par le préprocesseur. Les clés lues sont fixées par les feats_seq, feats_cond_seq, feats_pair_repr et feats_pair_cond du point de contrôle ; si une clé demandée par une fonctionnalité configurée est absente, cette fonctionnalité reste non conditionnée plutôt que de lever une exception.
  • recycle_depth (int, par défaut 0) — Nombre de passages du tronc ; zéro exécute toujours un passage.
  • attention_kwargs (dict, facultatif) — Seul scale est lu, en tant que l'échelle LoRA pour cet appel.
  • return_dict (bool, par défaut True) — Retourne une sortie typée, ou un tuple de champs non nuls.

Retourne

RFD4ProteinaTransformerOutput ou tuple

Vitesses du backbone/latentes locales et logits de séquence/insertion optionnels, avant l'intégration du planificateur.

Prédire les vitesses à partir de tenseurs moléculaires préparés sans avancer le sampleur.

RFD4ProteinaTransformerOutput

classe 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 )

Paramètres

  • backbone (torch.Tensor) — Vitesse de forme (batch, tokens, 3), en nanomètres par unité de temps.
  • local_latents (torch.Tensor) — Vitesse latente de forme (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, facultatif) — Logits des résidus de forme (batch, tokens, 147).
  • insertion_logits (torch.Tensor, facultatif) — Logits d'attribution d'insertion de forme (batch, tokens, tokens).

Prédictions du débruiteur avant l'intégration du planificateur.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→