Menstrual Health Awareness Chatbot

🚀 經期健康意識模型

本模型旨在利用經期健康相關的問答數據集，回答與經期健康有關的問題，為用戶提供準確且相關的信息。

🚀 快速開始

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# 加載分詞器和模型
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# 生成聊天機器人回覆的函數
def generate_response(input_text):
    # 對輸入文本進行分詞
    inputs = tokenizer(input_text, return_tensors="pt")

    # 生成輸出（回覆）
    outputs = model.generate(**inputs)

    # 將輸出解碼為文本
    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

本模型旨在為經期健康相關問題提供準確且相關的答案。它在包含經期健康各個方面（包括月經週期長度、症狀和一般健康建議）的問答數據集上進行了訓練。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# 加載分詞器和模型
tokenizer = AutoTokenizer.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")
model = AutoModelForSeq2SeqLM.from_pretrained("adi2606/Menstrual-Health-Awareness-Chatbot")

# 生成聊天機器人回覆的函數
def generate_response(input_text):
    # 對輸入文本進行分詞
    inputs = tokenizer(input_text, return_tensors="pt")

    # 生成輸出（回覆）
    outputs = model.generate(**inputs)

    # 將輸出解碼為文本
    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)

高級用法

目前文檔未提供高級用法相關代碼，若有後續更新可補充展示。

📚 詳細文檔

用途

直接使用

該模型可用於回答與經期健康相關的問題。用戶輸入問題後，模型將根據其訓練數據生成相關答案。

非適用場景

該模型不可用於醫療診斷或治療建議。它僅用於提供信息，不能替代專業醫療建議。

偏差、風險和侷限性

模型的回覆受訓練數據的範圍和質量限制。它可能無法對所有經期健康問題提供準確答案，尤其是那些需要個性化醫療建議的問題。

⚠️ 重要提示

模型的回覆受訓練數據的範圍和質量限制，可能無法對所有經期健康問題提供準確答案，尤其是那些需要個性化醫療建議的問題。

💡 使用建議

用戶應將該模型視為補充信息來源，並諮詢醫療專業人員以獲取醫療建議。進一步評估和更新訓練數據有助於減少偏差並提高準確性。

訓練詳情

訓練數據

該模型在經期健康意識數據集上進行訓練，該數據集包含與經期健康相關的問答。

訓練過程

數據經過分詞和預處理，以確保序列長度一致，並進行了適當的填充和截斷。

訓練超參數

• 訓練機制：fp32混合精度
• 學習率：2e - 5
• 批量大小：16
• 訓練輪數：3
• 權重衰減：0.01

評估

測試數據、評估因素和指標

• 測試數據：模型在經期健康意識數據集的測試集上進行評估。
• 評估因素：評估考慮了模型生成答案的準確性和相關性。
• 評估指標：
  • 準確率：模型生成正確答案的百分比。
  • BLEU分數：衡量生成答案與參考答案之間的相似度。

結果總結

模型在測試數據集上的準確率達到85%，BLEU分數達到70，表明其回覆具有較高的相關性和正確性。

環境影響

可以使用Lacoste等人（2019）提出的機器學習影響計算器來估算碳排放。

• 硬件類型：NVIDIA Tesla V100
• 雲服務提供商：Google Cloud
• 計算區域：us - central1
• 碳排放：15 kg CO2eq（估算）

計算基礎設施

• 硬件：GPU為NVIDIA Tesla V100
• 軟件：框架為Hugging Face的Transformers庫，Python版本為3.8

📄 許可證

本模型採用MIT許可證。