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

RFD4-Proteína의 denoiser입니다. sampler가 적분하는 두 가지 모달리티, 즉 backbone CA 위치와 토큰별 local latents의 velocities를 준비된 분자 텐서로부터 예측합니다. 입력은 이름이 지정된 텐서와 checkpoint 구성이 내용을 선택하는 conditioning mapping이며, 구조 파싱은 이 클래스의 범위에 포함되지 않습니다.

from diffusers import RFD4ProteinaTransformer

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

RFD4ProteinaTransformer

클래스 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 )

매개변수

  • nlayers (int, 기본값 14) — 트렁크 레이어의 개수입니다.
  • token_dim (int, 기본값 768) — 토큰 표현의 폭입니다.
  • nheads (int, 기본값 12) — 레이어당 어텐션 헤드 수.
  • dim_cond (int, 기본값 256) — 조건 벡터(시간, 재사용 인덱스, CATH 라벨)의 폭
  • pair_repr_dim (int, 기본값 384) — Pair 표현의 폭입니다.
  • latent_dim (int, 기본값 32) — 토큰별 로컬 잠재 변수의 폭입니다.
  • token_type_emb_dim (int, 기본값 32) — 토큰 유형 임베딩의 차원입니다.
  • cath_emb_dim (int, 기본값 32) — 각 CATH 클래스/구조/토폴로지 임베딩의 폭입니다.
  • t_emb_dim (int, 기본값 256) — Sinusoidal 시간 임베딩의 폭입니다.
  • seq_sep_dim (int, 기본값 64) — bond-path-length bin의 개수.
  • xt_pair_dist_dim (int, 기본값 30) — 백본 pair-distance bin의 수.
  • xt_pair_dist_min (float, 기본값 0.1), xt_pair_dist_max (float, 기본값 3.0) — 나노미터 단위 쌍 거리 범위.
  • feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) — 토큰, 조건, 쌍, 쌍-조건 입력으로 투영되는 특징의 이름.
  • update_pair_repr_every_n (int, 기본값 2) — 레이어 간 토큰에서 페어 표현이 업데이트되는 주기입니다.
  • tri_mult_c (int, 기본값 256) — 해당 업데이트에서 삼각 곱셈의 숨겨진 폭(hidden width)입니다.
  • num_token_types (int, 기본값 7) — 토큰 유형 어휘의 크기: 단백질, RNA, DNA, 원자화, 미지, 당류 및 비정형 아미노산.
  • recycle_conditioning_dim (int, 기본값 1) — 해당 기능이 feats_cond_seq에 포함된 경우, recycle_remaining 원핫 인코딩의 폭입니다.
  • num_sequence_classes (int, 기본값 147) — 시퀀스 readout가 예측하는 잔기(residue) 어휘의 크기입니다.

페어링된 백본과 로컬-잠재 모달리티를 갖춘 RFD4 속도 디노이저.

모델은 자체 dtype로 실행됩니다: 저정밀도 추론을 위해 dtype=torch.bfloat16로 로드하세요. forward에 전달되는 샘플링 상태는 float32로 유지되며, 특징 임베딩은 float32로 계산된 후 입력 투영에서 캐스팅됩니다.

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

매개변수

  • bb_ca (torch.Tensor) — 나노미터 단위의 노이시 백본 좌표 (batch, tokens, 3).
  • local_latents (torch.Tensor) — 노이즈가 포함된 로컬 라텐트 (batch, tokens, latent_dim).
  • bb_ca_time (torch.Tensor) — (batch,) [0, 1] 범위의 backbone 시간.
  • local_latents_time (torch.Tensor) — (batch,) [0, 1] 범위의 local-latent 시간.
  • padding_mask (torch.Tensor) — (batch, tokens), 토큰이 패딩이 아닌 실제 토큰인 위치에서 true입니다.
  • token_type (torch.Tensor, 선택 사항) — (batch, tokens) 토큰 유형 코드.
  • atom37_mask (torch.Tensor, 선택 사항) — (batch, tokens, 37), 원자 슬롯이 사용된 위치에서 true입니다.
  • conditioning (dict[str, Any], 선택 사항) — preprocessor가 출력하는 키 아래에 있는 나머지 topology 및 conditioning 텐서입니다. 어떤 키가 읽히는지 체크포인트의 feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond에 의해 고정됩니다. 구성된 feature가 요청하는 키가 없으면 해당 feature가 conditioning되지 않은 상태로 유지되며 예외가 발생하지 않습니다.
  • recycle_depth (int, 기본값 0) — trunk 패스 횟수입니다. 0이어도 패스가 한 번 실행됩니다.
  • attention_kwargs (dict, 선택 사항) — 이 호출의 LoRA scale로 scale만 읽습니다.
  • return_dict (bool, 기본값 True) — 타입이 지정된 출력을 반환하거나, None이 아닌 필드의 튜플을 반환합니다.

반환값

RFD4ProteinaTransformerOutput 또는 tuple

Scheduler 통합 전의 Backbone/local-latent 속도와 선택적 sequence/insertion logits입니다.

샘플러를 진행하지 않고 준비된 분자 텐서에서 속도를 예측합니다.

RFD4ProteinaTransformerOutput

class 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 )

매개변수

  • backbone (torch.Tensor) — (batch, tokens, 3) 형태의 Backbone 속도, 단위 시간당 나노미터.
  • local_latents (torch.Tensor) — (batch, tokens, latent_dim) 형태의 Latent velocity.
  • sequence_logits (torch.Tensor, 선택 사항) — (batch, tokens, 147) 모양의 잔류 로짓(residue logits).
  • insertion_logits (torch.Tensor, 선택 사항) — (batch, tokens, tokens) 모양의 삽입 할당 logits입니다.

…

Update on GitHub

←RFD4ProteinaAutoencoder SanaTransformer2DModel→