初始化项目,由ModelHub XC社区提供模型
Model: kojima-lab/molcrawl-protein-sequence-gpt2-small Source: Original Platform
This commit is contained in:
35
.gitattributes
vendored
Normal file
35
.gitattributes
vendored
Normal file
@@ -0,0 +1,35 @@
|
|||||||
|
*.7z filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.arrow filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.bin filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.bz2 filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ckpt filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ftz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.gz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.h5 filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.joblib filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.lfs.* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.mlmodel filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.model filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.msgpack filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.npy filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.npz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.onnx filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ot filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.parquet filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pb filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pickle filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pkl filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pt filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pth filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.rar filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.safetensors filter=lfs diff=lfs merge=lfs -text
|
||||||
|
saved_model/**/* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tar.* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tar filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tflite filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tgz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.wasm filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.xz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.zip filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.zst filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*tfevents* filter=lfs diff=lfs merge=lfs -text
|
||||||
67
README.md
Normal file
67
README.md
Normal file
@@ -0,0 +1,67 @@
|
|||||||
|
---
|
||||||
|
license: apache-2.0
|
||||||
|
tags:
|
||||||
|
- pytorch
|
||||||
|
- gpt2
|
||||||
|
- protein
|
||||||
|
pipeline_tag: text-generation
|
||||||
|
---
|
||||||
|
|
||||||
|
# molcrawl-protein-sequence-gpt2-small
|
||||||
|
|
||||||
|
## Model Description
|
||||||
|
|
||||||
|
GPT-2 small (124M parameters) foundation model pre-trained on protein amino acid sequences from the MolCrawl dataset.
|
||||||
|
|
||||||
|
- **Model Type**: gpt2
|
||||||
|
- **Data Type**: Protein
|
||||||
|
- **Training Date**: 2026-04-24
|
||||||
|
|
||||||
|
## Usage
|
||||||
|
|
||||||
|
```python
|
||||||
|
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||||||
|
import torch
|
||||||
|
|
||||||
|
model = AutoModelForCausalLM.from_pretrained("kojima-lab/molcrawl-protein-sequence-gpt2-small")
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained("kojima-lab/molcrawl-protein-sequence-gpt2-small")
|
||||||
|
|
||||||
|
# Generate protein sequence
|
||||||
|
prompt = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQAPILSRVGDGT"
|
||||||
|
inputs = tokenizer(prompt, return_tensors="pt")
|
||||||
|
with torch.no_grad():
|
||||||
|
output_ids = model.generate(
|
||||||
|
**inputs,
|
||||||
|
max_new_tokens=50,
|
||||||
|
do_sample=True,
|
||||||
|
temperature=0.8,
|
||||||
|
eos_token_id=None, # HF config.json has legacy eos_token_id=0; disable early stop
|
||||||
|
pad_token_id=0,
|
||||||
|
)
|
||||||
|
print(tokenizer.decode(output_ids[0], skip_special_tokens=True))
|
||||||
|
|
||||||
|
```
|
||||||
|
|
||||||
|
## Source Code
|
||||||
|
|
||||||
|
Training pipeline, configuration files, and data preparation scripts are
|
||||||
|
available in the MolCrawl GitHub repository:
|
||||||
|
[https://github.com/mmai-framework-lab/MolCrawl](https://github.com/mmai-framework-lab/MolCrawl)
|
||||||
|
|
||||||
|
## License
|
||||||
|
|
||||||
|
This model is released under the APACHE-2.0 license.
|
||||||
|
|
||||||
|
## Citation
|
||||||
|
|
||||||
|
If you use this model, please cite:
|
||||||
|
|
||||||
|
```bibtex
|
||||||
|
@misc{molcrawl_protein_sequence_gpt2_small,
|
||||||
|
title={molcrawl-protein-sequence-gpt2-small},
|
||||||
|
author={{RIKEN}},
|
||||||
|
year={2026},
|
||||||
|
publisher={{Hugging Face}},
|
||||||
|
url={{https://huggingface.co/kojima-lab/molcrawl-protein-sequence-gpt2-small}}
|
||||||
|
}
|
||||||
|
```
|
||||||
35
config.json
Normal file
35
config.json
Normal file
@@ -0,0 +1,35 @@
|
|||||||
|
{
|
||||||
|
"architectures": [
|
||||||
|
"GPT2LMHeadModel"
|
||||||
|
],
|
||||||
|
"model_type": "gpt2",
|
||||||
|
"vocab_size": 33,
|
||||||
|
"n_positions": 1024,
|
||||||
|
"n_ctx": 1024,
|
||||||
|
"n_embd": 768,
|
||||||
|
"n_layer": 12,
|
||||||
|
"n_head": 12,
|
||||||
|
"n_inner": 3072,
|
||||||
|
"activation_function": "gelu_new",
|
||||||
|
"resid_pdrop": 0.1,
|
||||||
|
"embd_pdrop": 0.1,
|
||||||
|
"attn_pdrop": 0.1,
|
||||||
|
"layer_norm_epsilon": 1e-05,
|
||||||
|
"initializer_range": 0.02,
|
||||||
|
"use_cache": true,
|
||||||
|
"bos_token_id": 0,
|
||||||
|
"eos_token_id": 2,
|
||||||
|
"transformers_version": "4.0.0",
|
||||||
|
"_name_or_path": "riken-gpt2",
|
||||||
|
"_riken_model_args": {
|
||||||
|
"n_layer": 12,
|
||||||
|
"n_head": 12,
|
||||||
|
"n_embd": 768,
|
||||||
|
"block_size": 1024,
|
||||||
|
"bias": false,
|
||||||
|
"vocab_size": 33,
|
||||||
|
"dropout": 0.1
|
||||||
|
},
|
||||||
|
"_riken_bias": false,
|
||||||
|
"pad_token_id": 1
|
||||||
|
}
|
||||||
3
model.safetensors
Normal file
3
model.safetensors
Normal file
@@ -0,0 +1,3 @@
|
|||||||
|
version https://git-lfs.github.com/spec/v1
|
||||||
|
oid sha256:93a8d4a89ed2220f3b0b668a6d0afad271b132343954fcfdeb80850d979200f0
|
||||||
|
size 343486080
|
||||||
3
pytorch_model.bin
Normal file
3
pytorch_model.bin
Normal file
@@ -0,0 +1,3 @@
|
|||||||
|
version https://git-lfs.github.com/spec/v1
|
||||||
|
oid sha256:a713335969d98276789fc511695deca307f4fb26387e861bb3dca68a896ec3f5
|
||||||
|
size 343087848
|
||||||
10
special_tokens_map.json
Normal file
10
special_tokens_map.json
Normal file
@@ -0,0 +1,10 @@
|
|||||||
|
{
|
||||||
|
"additional_special_tokens": [
|
||||||
|
"|"
|
||||||
|
],
|
||||||
|
"cls_token": "<cls>",
|
||||||
|
"eos_token": "<eos>",
|
||||||
|
"mask_token": "<mask>",
|
||||||
|
"pad_token": "<pad>",
|
||||||
|
"unk_token": "<unk>"
|
||||||
|
}
|
||||||
167
tokenizer.json
Normal file
167
tokenizer.json
Normal file
@@ -0,0 +1,167 @@
|
|||||||
|
{
|
||||||
|
"version": "1.0",
|
||||||
|
"truncation": null,
|
||||||
|
"padding": null,
|
||||||
|
"added_tokens": [
|
||||||
|
{
|
||||||
|
"id": 0,
|
||||||
|
"content": "<cls>",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": 1,
|
||||||
|
"content": "<pad>",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": 2,
|
||||||
|
"content": "<eos>",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": 3,
|
||||||
|
"content": "<unk>",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": 31,
|
||||||
|
"content": "|",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"id": 32,
|
||||||
|
"content": "<mask>",
|
||||||
|
"single_word": false,
|
||||||
|
"lstrip": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"special": true
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"normalizer": null,
|
||||||
|
"pre_tokenizer": null,
|
||||||
|
"post_processor": {
|
||||||
|
"type": "TemplateProcessing",
|
||||||
|
"single": [
|
||||||
|
{
|
||||||
|
"SpecialToken": {
|
||||||
|
"id": "<cls>",
|
||||||
|
"type_id": 0
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"Sequence": {
|
||||||
|
"id": "A",
|
||||||
|
"type_id": 0
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"SpecialToken": {
|
||||||
|
"id": "<eos>",
|
||||||
|
"type_id": 0
|
||||||
|
}
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"pair": [
|
||||||
|
{
|
||||||
|
"Sequence": {
|
||||||
|
"id": "A",
|
||||||
|
"type_id": 0
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"Sequence": {
|
||||||
|
"id": "B",
|
||||||
|
"type_id": 1
|
||||||
|
}
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"special_tokens": {
|
||||||
|
"<cls>": {
|
||||||
|
"id": "<cls>",
|
||||||
|
"ids": [
|
||||||
|
0
|
||||||
|
],
|
||||||
|
"tokens": [
|
||||||
|
"<cls>"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
"<eos>": {
|
||||||
|
"id": "<eos>",
|
||||||
|
"ids": [
|
||||||
|
2
|
||||||
|
],
|
||||||
|
"tokens": [
|
||||||
|
"<eos>"
|
||||||
|
]
|
||||||
|
}
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"decoder": null,
|
||||||
|
"model": {
|
||||||
|
"type": "BPE",
|
||||||
|
"dropout": null,
|
||||||
|
"unk_token": "<unk>",
|
||||||
|
"continuing_subword_prefix": null,
|
||||||
|
"end_of_word_suffix": null,
|
||||||
|
"fuse_unk": false,
|
||||||
|
"byte_fallback": false,
|
||||||
|
"ignore_merges": false,
|
||||||
|
"vocab": {
|
||||||
|
"<cls>": 0,
|
||||||
|
"<pad>": 1,
|
||||||
|
"<eos>": 2,
|
||||||
|
"<unk>": 3,
|
||||||
|
"L": 4,
|
||||||
|
"A": 5,
|
||||||
|
"G": 6,
|
||||||
|
"V": 7,
|
||||||
|
"S": 8,
|
||||||
|
"E": 9,
|
||||||
|
"R": 10,
|
||||||
|
"T": 11,
|
||||||
|
"I": 12,
|
||||||
|
"D": 13,
|
||||||
|
"P": 14,
|
||||||
|
"K": 15,
|
||||||
|
"Q": 16,
|
||||||
|
"N": 17,
|
||||||
|
"F": 18,
|
||||||
|
"Y": 19,
|
||||||
|
"M": 20,
|
||||||
|
"H": 21,
|
||||||
|
"W": 22,
|
||||||
|
"C": 23,
|
||||||
|
"X": 24,
|
||||||
|
"B": 25,
|
||||||
|
"U": 26,
|
||||||
|
"Z": 27,
|
||||||
|
"O": 28,
|
||||||
|
".": 29,
|
||||||
|
"-": 30,
|
||||||
|
"|": 31,
|
||||||
|
"<mask>": 32
|
||||||
|
},
|
||||||
|
"merges": []
|
||||||
|
}
|
||||||
|
}
|
||||||
64
tokenizer_config.json
Normal file
64
tokenizer_config.json
Normal file
@@ -0,0 +1,64 @@
|
|||||||
|
{
|
||||||
|
"added_tokens_decoder": {
|
||||||
|
"0": {
|
||||||
|
"content": "<cls>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"1": {
|
||||||
|
"content": "<pad>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"2": {
|
||||||
|
"content": "<eos>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"3": {
|
||||||
|
"content": "<unk>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"31": {
|
||||||
|
"content": "|",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"32": {
|
||||||
|
"content": "<mask>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"additional_special_tokens": [
|
||||||
|
"|"
|
||||||
|
],
|
||||||
|
"bos_token": "<cls>",
|
||||||
|
"clean_up_tokenization_spaces": false,
|
||||||
|
"cls_token": "<cls>",
|
||||||
|
"eos_token": "<eos>",
|
||||||
|
"mask_token": "<mask>",
|
||||||
|
"model_max_length": 1000000000000000019884624838656,
|
||||||
|
"pad_token": "<pad>",
|
||||||
|
"tokenizer_class": "PreTrainedTokenizerFast",
|
||||||
|
"unk_token": "<unk>"
|
||||||
|
}
|
||||||
17
training_args.json
Normal file
17
training_args.json
Normal file
@@ -0,0 +1,17 @@
|
|||||||
|
{
|
||||||
|
"iteration": 5000,
|
||||||
|
"best_val_loss": 2.814284086227417,
|
||||||
|
"early_stopping_counter": 4,
|
||||||
|
"learning_rate": 0.0006,
|
||||||
|
"batch_size": 12,
|
||||||
|
"block_size": 1024,
|
||||||
|
"model_args": {
|
||||||
|
"n_layer": 12,
|
||||||
|
"n_head": 12,
|
||||||
|
"n_embd": 768,
|
||||||
|
"block_size": 1024,
|
||||||
|
"bias": false,
|
||||||
|
"vocab_size": 33,
|
||||||
|
"dropout": 0.1
|
||||||
|
}
|
||||||
|
}
|
||||||
Reference in New Issue
Block a user