Menstrual Health Awareness Chatbot

🚀 月経健康意識モデルのモデルカード

このモデルは、月経健康に関する質問と回答のデータセットを使用して、月経健康に関連する質問に回答するように設計されています。

🚀 クイックスタート

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# トークナイザーとモデルをロードする
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# チャットボットから応答を生成する関数
def generate_response(input_text):
    # 入力テキストをトークン化する
    inputs = tokenizer(input_text, return_tensors="pt")

    # 出力（応答）を生成する
    outputs = model.generate(**inputs)

    # 出力をテキストにデコードする
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# 使用例
input_text = "What are the symptoms of PMS?"
response = generate_response(input_text)
print(response)

✨ 主な機能

このモデルは、月経健康に関する質問に正確かつ関連性の高い回答を提供することを目的としています。月経周期の長さ、症状、一般的な健康アドバイスなど、月経健康のさまざまな側面をカバーする質問と回答のデータセットで学習されています。

📦 インストール

このセクションでは、コード例に基づいて必要なライブラリのインストールを想定しています。以下のコマンドを使用して、必要なライブラリをインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# トークナイザーとモデルをロードする
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# チャットボットから応答を生成する関数
def generate_response(input_text):
    # 入力テキストをトークン化する
    inputs = tokenizer(input_text, return_tensors="pt")

    # 出力（応答）を生成する
    outputs = model.generate(**inputs)

    # 出力をテキストにデコードする
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# 使用例
input_text = "What are the symptoms of PMS?"
response = generate_response(input_text)
print(response)

高度な使用法

高度な使用法については、現在提供されていません。

📚 ドキュメント

用途

直接的な使用

このモデルは、月経健康に関連する質問に回答するために使用できます。ユーザーは質問を入力すると、モデルは学習データに基づいて関連する回答を生成します。

範囲外の使用

このモデルは、医学的診断や治療の推奨には使用しないでください。これは情報提供を目的として設計されており、専門的な医学的アドバイスを置き換えるものではありません。

バイアス、リスク、制限

モデルの応答は、学習データの範囲と品質によって制限されます。月経健康に関するすべての可能な質問に正確な回答を提供できるわけではなく、特に個別の医学的アドバイスが必要な質問に対しては正確な回答が得られない場合があります。

⚠️ 重要提示

このモデルは医学的診断や治療の推奨には使用できません。

💡 使用建议

ユーザーはこのモデルを補助的な情報源として考慮し、医学的アドバイスについては医療専門家に相談することをおすすめします。学習データのさらなる評価と更新により、バイアスを軽減し、精度を向上させることができます。

🔧 技術詳細

学習詳細

学習データ

このモデルは、月経健康に関連する質問と回答を含む月経健康意識データセットで学習されました。

学習手順

データはトークン化され、適切なパディングとトランケーションを行ってシーケンス長の一貫性を確保するために前処理されました。

学習ハイパーパラメータ

• 学習方式: fp32混合精度
• 学習率: 2e-5
• バッチサイズ: 16
• エポック数: 3
• 重み減衰: 0.01

評価

テストデータ、要因、メトリクス

テストデータ

このモデルは、月経健康意識データセットのテスト分割データで評価されました。

要因

評価では、モデルが生成した回答の正確性と関連性が考慮されました。

メトリクス

• 正確性: モデルが生成した正しい回答の割合。
• BLEUスコア: 生成された回答と参照回答の類似度を測定する指標。

結果

モデルは、テストデータセットで85％の正確性と70のBLEUスコアを達成しました。これは、応答の関連性と正確性が高いことを示しています。

環境への影響

二酸化炭素排出量は、Lacosteら (2019) で提示された機械学習インパクト計算機を使用して推定できます。

• ハードウェアタイプ: NVIDIA Tesla V100
• クラウドプロバイダー: Google Cloud
• コンピュートリージョン: us-central1
• 排出された二酸化炭素: 15 kg CO2eq（推定）

コンピュートインフラストラクチャ

ハードウェア

GPU: NVIDIA Tesla V100

ソフトウェア

• フレームワーク: Hugging FaceのTransformersライブラリ
• Pythonバージョン: 3.8

📄 ライセンス

このモデルはMITライセンスの下で提供されています。