Update README.md
Browse files
README.md
CHANGED
@@ -9,7 +9,7 @@ MediFlow se trata de un modelo inicializado con [xlnet-large-unsased](https://hu
|
|
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](
|
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.
|
|
|
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](https://huggingface.co/digitalhealth-healthyliving/MediFlow/resolve/main/MediFlow%20Adaptaci%C3%B3n%20de%20un%20Modelo%20de%20Lenguaje%20para%20Triaje%20Automatizado%20a%20diferentes%20especialidades.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.
|