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

Денойзер RFD4-Proteína. Он предсказывает скорости для двух модальностей, которые интегрирует сэмплер, — позиции CA каркаса и локальные латенты для каждого токена — на основе подготовленных молекулярных тензоров. Входы представляют собой именованные тензоры и отображение условий, содержимое которого определяется конфигурацией чекпоинта; парсинг структуры не входит в обязанности этого класса.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

класс 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 )

Параметры

  • nlayers (int, по умолчанию 14) — Количество слоёв ствольной части.
  • token_dim (int, по умолчанию 768) — Ширина представления токена.
  • nheads (int, по умолчанию 12) — Количество головок внимания на слой.
  • dim_cond (int, по умолчанию 256) — Ширина вектора условий (время, индекс повторного использования, метка CATH).
  • pair_repr_dim (int, по умолчанию 384) — ширина представления пары.
  • latent_dim (int, по умолчанию 32) — Ширина локального латентного представления для каждого токена.
  • token_type_emb_dim (int, по умолчанию 32) — Ширина эмбеддинга типа токена.
  • cath_emb_dim (int, по умолчанию 32) — Ширина каждого эмбеддинга класса/архитектуры/топологии CATH.
  • t_emb_dim (int, по умолчанию 256) — ширина синусоидального эмбеддинга времени.
  • seq_sep_dim (int, по умолчанию 64) — Количество интервалов длины пути связи.
  • xt_pair_dist_dim (int, по умолчанию 30) — Количество бинов парных расстояний в backbone.
  • xt_pair_dist_min (float, по умолчанию 0.1), xt_pair_dist_max (float, по умолчанию 3.0) — Диапазон расстояний между парами в нанометрах.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Имена признаков, проецируемых во входные токены, условия, пары и пары-условия.
  • update_pair_repr_every_n (int, по умолчанию 2) — Как часто представление пары обновляется на основе токенов между слоями.
  • tri_mult_c (int, по умолчанию 256) — Скрытая ширина треугольного умножения в этих обновлениях.
  • num_token_types (int, по умолчанию 7) — Размер словаря типов токенов: белок, РНК, ДНК, атомизированный, неизвестный, гликан и неканоническая аминокислота.
  • recycle_conditioning_dim (int, по умолчанию 1) — ширина one-hot recycle_remaining, если эта особенность входит в feats_cond_seq.
  • num_sequence_classes (int, по умолчанию 147) — Размер словаря остатков, который предсказывает выходная последовательность.

Шумоподавитель скорости RFD4 с парным бэкбоном и локально-латентными модальностями.

Модель работает в собственном dtype: загружайте её с dtype=torch.bfloat16 для инференса с пониженной точностью. Состояние выборки, передаваемое в forward, остаётся в float32; эмбеддинги признаков вычисляются в float32 и приводятся к типу на входной проекции.

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

Параметры

  • bb_ca (torch.Tensor) — Координаты шумного бэкбона (batch, tokens, 3) в нанометрах.
  • local_latents (torch.Tensor) — Зашумленные локальные латенты (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) время бэкбона в диапазоне [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) локальное латентное время в диапазоне [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), true там, где токен является реальным, а не заполнителем.
  • token_type (torch.Tensor, необязательный) — коды типов токенов (batch, tokens).
  • atom37_mask (torch.Tensor, необязательный) — (batch, tokens, 37), true там, где используется слот атома.
  • conditioning (dict[str, Any], необязательный) — Остальные тензоры топологии и условий, под ключами, которые выдаёт препроцессор. Какие из них читаются, определяется по feats_seq, feats_cond_seq, feats_pair_repr и feats_pair_cond в контрольной точке; если ключ, запрошенный настроенной функцией, отсутствует, эта функция остаётся без условий, а не вызывает ошибку.
  • recycle_depth (int, по умолчанию 0) — Количество проходов по стволу; значение ноль всё равно выполняет один проход.
  • attention_kwargs (dict, необязательный) — Извлекается только scale, который используется как масштаб LoRA для этого вызова.
  • return_dict (bool, по умолчанию True) — возвращает типизированный вывод или кортеж полей, отличных от None.

Возвращает

RFD4ProteinaTransformerOutput или tuple

Скорости backbone/локальных латентов и необязательные логиты последовательности/вставки, до интеграции с планировщиком.

Предсказывайте скорости из подготовленных молекулярных тензоров без продвижения сэмплера.

RFD4ProteinaTransformerOutput

класс 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 )

Параметры

  • backbone (torch.Tensor) — Скорость каркаса формы (batch, tokens, 3), в нанометрах за единицу времени.
  • local_latents (torch.Tensor) — Скорость латентов с формой (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, необязательный) — Логиты остатков с формой (batch, tokens, 147).
  • insertion_logits (torch.Tensor, необязательный) — Логиты присваивания вставки формы (batch, tokens, tokens).

Прогнозы денуайзера до интеграции планировщика.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→