开源协议：MIT

经期健康知识问答模型卡片

本模型专为解答经期健康相关问题而设计，基于该主题的问答数据集训练而成。

模型使用指南

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

# 加载分词器与模型
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处理
    inputs = tokenizer(input_text, return_tensors="pt")

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

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

# 使用示例
input_text = "经前综合症有哪些症状？"
response = generate_response(input_text)
print(response)

模型说明

本模型旨在提供准确且相关的经期健康问题解答。其训练数据集涵盖月经周期长度、症状表现及健康建议等多维度内容。

• 模型类型： 序列到序列语言模型
• 支持语言： 英语
• 开源协议： MIT

用途说明

直接用途

本模型可用于回答经期健康相关问题。用户输入问题后，模型将基于训练数据生成对应解答。

非适用场景

本模型不可用于医疗诊断或治疗建议，仅作为信息参考工具，不能替代专业医疗意见。

偏差风险与局限性

模型回答质量受限于训练数据的范围与质量。对于需要个性化医疗建议的问题，可能无法提供准确解答。

使用建议

建议用户将本模型作为补充信息来源，医疗相关问题应咨询专业医师。通过持续更新训练数据可减少偏差并提升准确性。

训练详情

训练数据

采用经期健康知识问答数据集进行训练

训练流程

数据经过分词和预处理，通过填充与截断确保序列长度一致性

超参数设置

训练模式：fp32混合精度
学习率：2e-5
批处理量：16
训练轮次：3
权重衰减：0.01

评估结果

测试数据

使用经期健康知识问答数据集的测试集进行评估

评估维度

重点考察模型生成答案的准确性与相关性

评估指标

准确率：模型生成正确答案的百分比
BLEU分数：生成答案与标准答案的相似度评估

结果概览

模型在测试集上达到85%准确率与70分BLEU值，表明其回答具有较高相关性和正确性

环境影响

碳排放估算采用Lacoste等人(2019)提出的机器学习影响计算器

硬件类型：NVIDIA Tesla V100
云服务商：Google Cloud
计算区域：us-central1
碳排放量：15千克二氧化碳当量（预估）

计算基础设施

硬件配置

GPU：NVIDIA Tesla V100

软件环境

框架：Hugging Face的Transformers库
Python版本：3.8