Diffusers documentation

RFD4ProteinaScheduler

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.43.0).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

RFD4ProteinaScheduler

RFD4ProteinaScheduler 是 RFD4-Proteína 针对单一模态的时间分数重缩放流采样器。该 pipeline 使用两个实例,一个用于 backbone(bb_ca,坐标单位为纳米),另一个用于每个 token 的局部潜变量(local_latents),每个实例都有各自的时间调度、噪声调度和重缩放。有关采样循环,请参阅 RFD4ProteinaPipeline。

RFD4ProteinaScheduler

class diffusers.RFD4ProteinaScheduler

< >

( schedule_mode: strnoise_mode: strtsr_k: floattsr_sigma: floattail_steps: int = 10tail_step_multiplier: int = 2t_lim_ode: float = 0.95t_lim_ode_below: float = 0.02 )

参数

  • schedule_mode (str) — 噪声与数据之间的时间间隔: "log" 或 "power"。
  • noise_mode (str) — 注入到随机窗口中的噪声形状:"1/t" 或 "tan"。
  • tsr_k (float) — 采样温度能降到的下限;值越大,温度越低。
  • tsr_sigma (float) — 达到低温的速度;值越大,速度越快。
  • tail_steps (int,默认为 10) — 最后 tail_step_multiplier 倍更精细的区间数量。
  • tail_step_multiplier(int,默认为 2)— 最终区间的粒度比之前细多少。
  • t_lim_ode (float,默认为 0.95) — 超过此时间后,该步骤变为确定性。
  • t_lim_ode_below (float,默认为 0.02) — 低于此时间时,该步骤是确定性的。

RFD4-Proteína 单模态的时间分数重缩放流采样器。

该流水线整合了两种模态,即主干网络和逐 token 局部潜变量,每种模态各使用一个调度器。它们在时间调度、噪声调度和重缩放方面有所不同。

在采样之前调用 set_timesteps。时间步从噪声向干净数据递增。调度器会跟踪当前区间,不应在并发生成之间共享。

set_timesteps

< >

( num_inference_steps: intdevice: typing.Union[str, torch.device, NoneType] = Nonestart_time: float | None = None )

参数

  • num_inference_steps (int) — 积分区间的数量。
  • device (str 或 torch.device,可选) — timesteps 所在的设备。区间长度和噪声系数保留在 CPU 上。
  • start_time (float, 可选) — 部分扩散的起始时间,取值范围为 [0, 1)。若省略,则执行完整生成。

解析调度并重置集成游标。

add_noise

< >

( original_samples: Tensornoise: Tensortimesteps: typing.Union[float, torch.Tensor] )

参数

  • original_samples (torch.Tensor) — 干净状态 (batch, tokens, D)。
  • noise (torch.Tensor) — 与输入形状相同的噪声,由调用方生成。
  • timesteps(float 或 torch.Tensor)— 位于 [0, 1) 区间内的时间,标量或 (batch,)。

采样前向边缘分布 (1 - t) * noise + t * clean。

步骤

< >

( model_output: Tensortimestep: Tensorsample: Tensoremit_mask: Tensorgenerator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonereturn_dict: bool = True ) → RFD4ProteinaSchedulerOutput or tuple

参数

  • model_output (torch.Tensor) — 预测速度,形状与 sample 相同。
  • timestep (torch.Tensor) — timesteps 中的下一个元素。顺序错误的步骤将被拒绝。
  • sample (torch.Tensor) — 当前状态 (B, N, D)。
  • emit_mask (torch.Tensor) — 布尔型 (B, N),对于被更新的 token(非上下文或填充)为 true。
  • generator (torch.Generator 或 list[torch.Generator],可选) — 用于单行数据的生成器,或为每个批次行提供不同的生成器。省略时,将使用全局流。
  • return_dict (bool,默认为 True) — 返回 RFD4ProteinaSchedulerOutput;否则返回一个包含该状态的单元素元组。

返回值

RFD4ProteinaSchedulerOutput 或 tuple

更新后的状态。

推进一个积分区间并更新 step_index。

RFD4ProteinaSchedulerOutput

class diffusers.schedulers.scheduling_rfd4_proteina.RFD4ProteinaSchedulerOutput

< >

( prev_sample: Tensor )

参数

  • prev_sample (torch.Tensor) — 执行该步骤后的状态,形状为 (B, N, D):对于主干网络,D 为 3(坐标单位为纳米);对于局部潜在变量,D 为潜在宽度。

某一模态的更新后状态。

Update on GitHub