Update README.md
Browse files
README.md
CHANGED
@@ -8,6 +8,9 @@ tags: []
|
|
8 |
MediFlow se trata de un modelo inicializado con [xlnet-large-unsased](https://huggingface.co/xlnet/xlnet-large-cased) y adaptado con preguntas y especialidades
|
9 |
para poder realizar Derivaciones Automatizadas en Servicios Hospitalarios. El dataset se puede encontrar de manera pública y se trata de [MedDialog EN](https://arxiv.org/abs/2004.03329).
|
10 |
|
|
|
|
|
|
|
11 |
Para el entrenamiento de este modelo hemos seguidos los estándares de la librería [transformers](https://github.com/huggingface/transformers) y se ha utilizado una
|
12 |
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.
|
13 |
|
|
|
8 |
MediFlow se trata de un modelo inicializado con [xlnet-large-unsased](https://huggingface.co/xlnet/xlnet-large-cased) y adaptado con preguntas y especialidades
|
9 |
para poder realizar Derivaciones Automatizadas en Servicios Hospitalarios. El dataset se puede encontrar de manera pública y se trata de [MedDialog EN](https://arxiv.org/abs/2004.03329).
|
10 |
|
11 |
+
Este modelo toma como input una descripción, en inglés, proveída por el paciente y devuelve las siguientes especialidades: Cardiology, Traumatology, Mental Health y Pneumology.
|
12 |
+
Se puede encontrar más información del modelo [aquí](MediFlow Adaptación de un Modelo de Lenguaje para Triaje Automatizado a diferentes especialidades.pdf).
|
13 |
+
|
14 |
Para el entrenamiento de este modelo hemos seguidos los estándares de la librería [transformers](https://github.com/huggingface/transformers) y se ha utilizado una
|
15 |
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.
|
16 |
|