Hugging Face's logo

Diffusers documentation

RFD4ProteinaTransformer

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

RFD4ProteinaTransformer

O denoiser de RFD4-Proteína. Ele prevê velocidades para as duas modalidades que o sampler integra — posições CA do backbone e latentes locais por token — a partir de tensores moleculares preparados. As entradas são tensores nomeados mais um mapeamento de condicionamento cujo conteúdo é selecionado pela configuração do checkpoint; a análise da estrutura está fora desta 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[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 )

Parâmetros

  • nlayers (int, padrão 14) — Número de camadas do tronco.
  • token_dim (int, padrão 768) — Largura da representação do token.
  • nheads (int, padrão 12) — Cabeças de atenção por camada.
  • dim_cond (int, padrão 256) — Largura do vetor de condicionamento (tempo, índice de reciclagem, rótulo CATH).
  • pair_repr_dim (int, padrão 384) — Largura da representação de pares.
  • latent_dim (int, padrão 32) — Largura do latente local por token.
  • token_type_emb_dim (int, padrão 32) — Largura do embedding de tipo de token.
  • cath_emb_dim (int, padrão 32) — Largura de cada incorporação de classe/arquitetura/topologia CATH.
  • t_emb_dim (int, padrão 256) — Largura do embedding sinusoidal de tempo.
  • seq_sep_dim (int, padrão 64) — Número de bins de comprimento de caminho de ligação.
  • xt_pair_dist_dim (int, padrão 30) — Número de bins de distância de pares do backbone.
  • xt_pair_dist_min (float, padrão 0.1), xt_pair_dist_max (float, padrão 3.0) — Intervalo de distância entre pares em nanômetros.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Nomes dos recursos projetados nas entradas de token, condicionamento, par e par-condicionamento.
  • update_pair_repr_every_n (int, padrão 2) — Com que frequência a representação do par é atualizada a partir dos tokens entre as camadas.
  • tri_mult_c (int, padrão 256) — Largura oculta da multiplicação triangular nessas atualizações.
  • num_token_types (int, padrão 7) — Tamanho do vocabulário de tipos de token: proteína, RNA, DNA, atomizado, desconhecido, glicano e aminoácido não canônico.
  • recycle_conditioning_dim (int, padrão 1) — Largura do one-hot recycle_remaining, quando esse recurso está em feats_cond_seq.
  • num_sequence_classes (int, padrão 147) — Tamanho do vocabulário de resíduos que a leitura da sequência prevê.

Denoiser de velocidade RFD4 com modalidades de backbone pareado e latente local.

O modelo é executado em seu próprio dtype: carregue-o com dtype=torch.bfloat16 para inferência de precisão reduzida. O estado de amostragem passado para forward permanece em float32; os embeddings de recursos são calculados em float32 e convertidos na projeção de entrada.

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

Parâmetros

  • bb_ca (torch.Tensor) — Coordenadas ruidosas do backbone (batch, tokens, 3) em nanômetros.
  • local_latents (torch.Tensor) — Latentes locais com ruído (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) tempo do backbone em [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) tempo local latente em [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), verdadeiro onde um token é real e não preenchimento.
  • token_type (torch.Tensor, opcional) — códigos de tipo de token (batch, tokens).
  • atom37_mask (torch.Tensor, opcional) — (batch, tokens, 37), verdadeiro onde um slot de átomo é utilizado.
  • conditioning (dict[str, Any], opcional) — Os tensores restantes de topologia e condicionamento, sob as chaves emitidas pelo pré-processador. Quais deles são lidos é fixado pelo feats_seq, feats_cond_seq, feats_pair_repr e feats_pair_cond do checkpoint; uma chave solicitada por um recurso configurado, mas ausente, deixa esse recurso sem condicionamento em vez de levantar um erro.
  • recycle_depth (int, padrão 0) — Número de passagens do tronco; zero ainda executa uma passagem.
  • attention_kwargs (dict, opcional) — Apenas scale é lido, como a escala LoRA para esta chamada.
  • return_dict (bool, padrão True) — Retorna uma saída tipada ou uma tupla de campos não-None.

Retorna

RFD4ProteinaTransformerOutput ou tuple

Velocidades do backbone/latente local e logits opcionais de sequência/inserção, antes da integração do agendador.

Preveja velocidades a partir de tensores moleculares preparados sem avançar o amostrador.

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 )

Parâmetros

  • backbone (torch.Tensor) — Velocidade do backbone com forma (batch, tokens, 3), em nanômetros por unidade de tempo.
  • local_latents (torch.Tensor) — Velocidade latente com forma (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, opcional) — Logits de resíduos com forma (batch, tokens, 147).
  • insertion_logits (torch.Tensor, opcional) — Logits de atribuição de inserção com forma (batch, tokens, tokens).

Previsões do denoiser antes da integração do agendador.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→