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

Denoiser dari RFD4-Proteína. Prediksi kecepatan untuk dua modalitas yang diintegrasikan oleh sampler — posisi CA backbone dan latens lokal per-token — dari tensor molekul yang telah disiapkan. Input berupa tensor bernama plus pemetaan kondisioning yang isinya dipilih oleh konfigurasi checkpoint; parsing struktur berada di luar kelas ini.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

kelas 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 )

Parameter

  • nlayers (int, defaultnya 14) — Jumlah lapisan trunk.
  • token_dim (int, defaultnya 768) — Lebar representasi token.
  • nheads (int, defaultnya 12) — Jumlah kepala perhatian per lapisan.
  • dim_cond (int, defaultnya 256) — Lebar vektor kondisioning (waktu, indeks daur ulang, label CATH).
  • pair_repr_dim (int, defaultnya 384) — Lebar representasi pasangan.
  • latent_dim (int, defaultnya 32) — Lebar laten lokal per token.
  • token_type_emb_dim (int, defaultnya 32) — Lebar embedding tipe token.
  • cath_emb_dim (int, defaultnya 32) — Lebar setiap embedding kelas/arsitektur/topologi CATH.
  • t_emb_dim (int, defaultnya 256) — Lebar embedding waktu sinusoidal.
  • seq_sep_dim (int, defaultnya 64) — Jumlah bin panjang jalur ikatan.
  • xt_pair_dist_dim (int, defaultnya 30) — Jumlah bin jarak pasangan backbone.
  • xt_pair_dist_min (float, default 0.1), xt_pair_dist_max (float, default 3.0) — Rentang jarak pasangan dalam nanometer.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — Nama fitur yang diproyeksikan ke input token, kondisioning, pasangan, dan kondisioning pasangan.
  • update_pair_repr_every_n (int, defaultnya 2) — Seberapa sering representasi pasangan diperbarui dari token di antara lapisan.
  • tri_mult_c (int, defaultnya 256) — Lebar tersembunyi dari perkalian segitiga dalam pembaruan tersebut.
  • num_token_types (int, defaultnya 7) — Ukuran kosakata tipe token: protein, RNA, DNA, atomized, unknown, glikan, dan asam amino non-kanonik.
  • recycle_conditioning_dim (int, defaultnya 1) — Lebar dari one-hot recycle_remaining, ketika fitur tersebut ada di feats_cond_seq.
  • num_sequence_classes (int, defaultnya 147) — Ukuran kosakata residu yang diprediksi oleh pembacaan urutan.

RFD4 velocity denoiser dengan backbone berpasangan dan modalitas lokal-latent.

Model berjalan dalam dtype-nya sendiri: muat dengan dtype=torch.bfloat16 untuk inferensi presisi-rendah. State sampling yang diteruskan ke forward tetap dalam float32; embedding fitur dihitung dalam float32 dan di-cast pada proyeksi input.

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

Parameter

  • bb_ca (torch.Tensor) — Koordinat backbone berisik (batch, tokens, 3) dalam nanometer.
  • local_latents (torch.Tensor) — Laten lokal berisik (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) waktu backbone dalam [0, 1].
  • local_latents_time (torch.Tensor) — (batch,) waktu laten lokal dalam [0, 1].
  • padding_mask (torch.Tensor) — (batch, tokens), bernilai true di mana token tersebut asli, bukan padding.
  • token_type (torch.Tensor, opsional) — kode token-type (batch, tokens).
  • atom37_mask (torch.Tensor, opsional) — (batch, tokens, 37), bernilai true di mana slot atom digunakan.
  • conditioning (dict[str, Any], opsional) — Tensor topologi dan kondisioning lainnya, di bawah kunci yang dihasilkan oleh preprocessor. Kunci mana yang dibaca ditentukan oleh feats_seq, feats_cond_seq, feats_pair_repr, dan feats_pair_cond dari checkpoint; jika kunci yang diminta oleh fitur yang dikonfigurasi tidak ada, fitur tersebut akan tetap tanpa kondisioning alih-alih memicu error.
  • recycle_depth (int, defaultnya 0) — Jumlah lintasan trunk; nol tetap menjalankan satu lintasan.
  • attention_kwargs (dict, opsional) — Hanya scale yang dibaca, sebagai skala LoRA untuk panggilan ini.
  • return_dict (bool, defaultnya True) — Mengembalikan output bertipe, atau tuple dari field yang bukan None.

Mengembalikan

RFD4ProteinaTransformerOutput atau tuple

Kecepatan backbone/laten-lokal dan logit urutan/insersi opsional, sebelum integrasi scheduler.

Prediksi kecepatan dari tensor molekul yang telah disiapkan tanpa memajukan sampler.

RFD4ProteinaTransformerOutput

kelas 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 )

Parameter

  • backbone (torch.Tensor) — Kecepatan backbone berbentuk (batch, tokens, 3), dalam nanometer per satuan waktu.
  • local_latents (torch.Tensor) — Kecepatan laten dengan bentuk (batch, tokens, latent_dim).
  • sequence_logits (torch.Tensor, opsional) — Logit residu dengan bentuk (batch, tokens, 147).
  • insertion_logits (torch.Tensor, opsional) — Logit penugasan sisipan dengan bentuk (batch, tokens, tokens).

Prediksi denoiser sebelum integrasi scheduler.

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→