Downloads · 30 days
15
2% of all-time downloads
digitalhealth-healthyliving/MediFlow
MediFlow is a text classification model from digitalhealth-healthyliving. Use it when you need a label for a piece of text. It is set up for transformers. The card lists the license as cc-by-nc-nd-4.0.
MediFlow se trata de un modelo inicializado con xlnet-large-cased y adaptado con preguntas y especialidades para poder realizar Derivaciones Automatizadas en Servicios Hospitalarios. El dataset se puede encontrar de m…
Downloads · 30 days
15
2% of all-time downloads
All-time downloads
740
Public
Parameters
361M
4.3 GB on disk
Likes
1
Public
Click a slice to open those files.
.safetensors1.4 GB · 100%
From the Hugging Face model README
MediFlow se trata de un modelo inicializado con xlnet-large-cased y adaptado con preguntas y especialidades para poder realizar Derivaciones Automatizadas en Servicios Hospitalarios. El dataset se puede encontrar de manera pública y se trata de MedDialog EN.
Este modelo toma como input una descripción, en inglés, proveída por el paciente y devuelve las siguientes especialidades (model.config.label2id): Cardiology, Traumatology, Mental Health y Pneumology.
Se puede encontrar más información del modelo aquí.
Para el entrenamiento de este modelo hemos seguidos los estándares de la librería transformers y se ha utilizado una NVIDIA P100. Además, ha sido entrenado con un batch-size de 4, un learning rate de 2e-5, X epochs y un weigth decay de 0.015, loggeando los resultados cada 100 iteraciones.
Mediante el pipeline de Hugging Face:
from transformers import pipeline
model_id = "digitalhealth-healthyliving/MediFlow"
pipe = pipeline("text-classification", model_id)
text = "I have pain in the back"
result = pipe(text)
print(result)
Mediante AutoModelForSequenceClassification y AutoTokenizer:
from transformers import AutoModelForSequenceClassification, AutoTokenizer
model_id = "digitalhealth-healthyliving/MediFlow"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
text = "I have pain in the back"
inputs = tokenizer(text, return_tensors = "pt")
logits = model(**inputs)
print(f"The predicted class is {model.id2label[logits.argmax()]}")
print(result)