Menstrual Health Awareness Chatbot

🚀 经期健康意识模型

本模型旨在利用经期健康相关的问答数据集，回答与经期健康有关的问题，为用户提供准确且相关的信息。

🚀 快速开始

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# 生成聊天机器人回复的函数
def generate_response(input_text):
    # 对输入文本进行分词
    inputs = tokenizer(input_text, return_tensors="pt")

    # 生成输出（回复）
    outputs = model.generate(**inputs)

    # 将输出解码为文本
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# 示例用法
input_text = "What are the symptoms of PMS?"
response = generate_response(input_text)
print(response)

✨ 主要特性

本模型旨在为经期健康相关问题提供准确且相关的答案。它在包含经期健康各个方面（包括月经周期长度、症状和一般健康建议）的问答数据集上进行了训练。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# 生成聊天机器人回复的函数
def generate_response(input_text):
    # 对输入文本进行分词
    inputs = tokenizer(input_text, return_tensors="pt")

    # 生成输出（回复）
    outputs = model.generate(**inputs)

    # 将输出解码为文本
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# 示例用法
input_text = "What are the symptoms of PMS?"
response = generate_response(input_text)
print(response)

高级用法

目前文档未提供高级用法相关代码，若有后续更新可补充展示。

📚 详细文档

用途

直接使用

该模型可用于回答与经期健康相关的问题。用户输入问题后，模型将根据其训练数据生成相关答案。

非适用场景

该模型不可用于医疗诊断或治疗建议。它仅用于提供信息，不能替代专业医疗建议。

偏差、风险和局限性

模型的回复受训练数据的范围和质量限制。它可能无法对所有经期健康问题提供准确答案，尤其是那些需要个性化医疗建议的问题。

⚠️ 重要提示

模型的回复受训练数据的范围和质量限制，可能无法对所有经期健康问题提供准确答案，尤其是那些需要个性化医疗建议的问题。

💡 使用建议

用户应将该模型视为补充信息来源，并咨询医疗专业人员以获取医疗建议。进一步评估和更新训练数据有助于减少偏差并提高准确性。

训练详情

训练数据

该模型在经期健康意识数据集上进行训练，该数据集包含与经期健康相关的问答。

训练过程

数据经过分词和预处理，以确保序列长度一致，并进行了适当的填充和截断。

训练超参数

• 训练机制：fp32混合精度
• 学习率：2e - 5
• 批量大小：16
• 训练轮数：3
• 权重衰减：0.01

评估

测试数据、评估因素和指标

• 测试数据：模型在经期健康意识数据集的测试集上进行评估。
• 评估因素：评估考虑了模型生成答案的准确性和相关性。
• 评估指标：
  • 准确率：模型生成正确答案的百分比。
  • BLEU分数：衡量生成答案与参考答案之间的相似度。

结果总结

模型在测试数据集上的准确率达到85%，BLEU分数达到70，表明其回复具有较高的相关性和正确性。

环境影响

可以使用Lacoste等人（2019）提出的机器学习影响计算器来估算碳排放。

• 硬件类型：NVIDIA Tesla V100
• 云服务提供商：Google Cloud
• 计算区域：us - central1
• 碳排放：15 kg CO2eq（估算）

计算基础设施

• 硬件：GPU为NVIDIA Tesla V100
• 软件：框架为Hugging Face的Transformers库，Python版本为3.8

📄 许可证

本模型采用MIT许可证。