MedicalGPT

??中文| Inglés | Documentos/Documentos ?Modelos/Modelos

---

MedicalGPT: Entrenamiento del modelo médico GPT

Introducción

Modelo médico GPT de capacitación de MedicalGPT con canal de capacitación ChatGPT, implementación de capacitación previa, ajuste fino supervisado, RLHF (modelado de recompensa y aprendizaje por refuerzo) y DPO (optimización de preferencia directa).

MedicalGPT entrena modelos médicos grandes e implementa preentrenamiento incremental, ajuste fino supervisado, RLHF (modelado de recompensa, entrenamiento de aprendizaje reforzado) y DPO (optimización de preferencia directa).

• Canal de formación de RLHF del discurso de Andrej Karpathy PDF Estado de GPT, vídeo Vídeo
• El método DPO proviene del artículo Optimización de preferencias directas: su modelo lingüístico es secretamente un modelo de recompensa
• El método ORPO proviene del artículo ORPO: Optimización de preferencias monolíticas sin modelo de referencia.

Noticias

[2024/09/21] Versión v2.3: Compatible con los modelos de la serie Qwen-2.5 ; consulte la versión v2.3 para obtener más detalles.

[02/08/2024] Versión v2.2: admite la capacitación del modelo de juego de roles y agrega el script de generación de datos SFT de diálogo médico-paciente role_play_data. Para obtener más detalles, consulte la versión v2.2.

[2024/06/11] Versión v2.1: Compatible con los modelos de la serie Qwen-2 ; consulte la versión v2.1 para obtener más detalles.

[24/04/2024] Versión v2.0: Compatible con los modelos de la serie Llama-3 ; consulte la versión v2.0 para obtener más detalles.

[2024/04/17] Versión v1.9: ORPO es compatible. Para un uso detallado, consulte run_orpo.sh . Consulte la versión v1.9 para obtener más detalles.

[26/01/2024] Versión v1.8: admite el ajuste fino del modelo MoE experto en híbrido Mixtral Mixtral 8x7B . Consulte la versión v1.8 para obtener más detalles.

[2024/01/14] Versión v1.7: función ChatPDF de preguntas y respuestas de archivos basada en generación mejorada de recuperación (RAG), código chatpdf.py , que se puede basar en un LLM optimizado combinado con preguntas y respuestas de archivos de base de conocimientos para mejorar la industria Precisión de preguntas y respuestas. Consulte la versión v1.7 para obtener más detalles.

[2023/10/23] Versión v1.6: Se agregó interpolación RoPE para extender la longitud del contexto del modelo GPT. Es compatible con FlashAttention-2 y LongLoRA para el modelo LLaMA; $S^2$ -Attn ; admite el método de entrenamiento de ruido NEFTune para incrustación. Consulte la versión v1.6 para obtener más detalles.

[28/08/2023] Versión v1.5: Se agregó el método DPO (Optimización de preferencias directas). DPO logra un control preciso de su comportamiento al optimizar directamente el modelo de lenguaje y puede aprender de manera efectiva las preferencias humanas. Consulte la versión v1.5 para obtener más detalles.

[08/08/2023] Versión v1.4: Lanzamiento del modelo Vicuna-13B chino e inglés shibing624/vicuna-baichuan-13b-chat basado en el ajuste fino del conjunto de datos ShareGPT4 y el modelo LoRA correspondiente shibing624/vicuna -baichuan-13b-chat-lora, consulte la versión 1.4 para obtener más detalles

[2023/08/02] Versión v1.3: Se agregó entrenamiento de ajuste fino de diálogo de rondas múltiples de los modelos LLaMA, LLaMA2, Bloom, ChatGLM, ChatGLM2 y Baichuan. Se agregó la función de expansión de vocabulario de dominio y se agregó un conjunto de datos de preentrenamiento en chino; Conjunto de entrenamiento de ajuste fino de ShareGPT chino; consulte la versión v1.3 para obtener más detalles

[2023/07/13] Versión v1.1: Lanzamiento del modelo médico chino LLaMA-13B shibing624/ziya-llama-13b-medical-merged, basado en el modelo Ziya-LLaMA-13B-v1, SFT afinó una versión del modelo médico, médico Se ha mejorado el efecto de preguntas y respuestas y se publican los pesos completos del modelo después del ajuste. Para obtener más información, consulte la versión v1.1.

[2023/06/15] Versión v1.0: Lanzamiento del modelo médico chino LoRA shibing624/ziya-llama-13b-medical-lora, basado en el modelo Ziya-LLaMA-13B-v1, SFT afinó una versión del modelo médico , efecto de preguntas y respuestas médicas Ha habido una mejora y se han lanzado los pesos LoRA ajustados. Para obtener más información, consulte la versión v1.0.

[05/06/2023] Versión v0.2: Tomando la atención médica como ejemplo, un modelo grande en el campo de capacitación implementa cuatro etapas de capacitación: incluida la capacitación previa secundaria, el ajuste fino supervisado, el modelado de recompensa y la capacitación de aprendizaje por refuerzo. . Consulte la versión v0.2 para obtener más detalles.

?Características

Basado en ChatGPT Training Pipeline, este proyecto implementa el modelo de dominio: la capacitación de un modelo de lenguaje grande en la industria médica:

• La primera etapa: entrenamiento previo incremental PT (Continue PreTraining), entrenamiento previo del modelo GPT dos veces en datos de documentos de dominio masivos para adaptarse a la distribución de datos del dominio (opcional)
• La segunda etapa: ajuste fino supervisado SFT (ajuste fino supervisado), construye un conjunto de datos de ajuste fino de instrucciones y realiza el ajuste fino de instrucciones basado en el modelo previamente entrenado para alinear la intención de la instrucción e inyectar conocimiento del dominio.
• La tercera etapa
  • RLHF (Aprendizaje por refuerzo a partir de la retroalimentación humana) realiza un aprendizaje por refuerzo en el modelo de lenguaje basado en la retroalimentación humana, que se divide en dos pasos:
    • RM (modelo de recompensa) modela el modelo de recompensa, construye un conjunto de datos de clasificación de preferencias humanas y entrena un modelo de recompensa para modelar las preferencias humanas, basado principalmente en el principio "HHH", específicamente "útil, honesto, inofensivo".
    • RL (Aprendizaje por refuerzo) utiliza un modelo de recompensa para entrenar el modelo SFT, y el modelo de generación utiliza recompensas o penalizaciones para actualizar su estrategia con el fin de generar texto de mayor calidad que esté más en línea con las preferencias humanas.
  • El método de optimización de preferencias directas DPO (Optimización de preferencias directas) logra un control preciso de su comportamiento optimizando directamente el modelo de lenguaje sin utilizar un aprendizaje por refuerzo complejo. También puede aprender eficazmente las preferencias humanas y es más fácil de entrenar. , el efecto es mejor
  • ORPO no requiere un método de optimización del modelo de referencia. A través de ORPO, LLM puede aprender a seguir instrucciones y satisfacer las preferencias humanas al mismo tiempo.

Modelos de lanzamiento

Modelo	Modelo básico	Introducción
shibing624/ziya-llama-13b-medical-lora	IDEA-CCNL/Ziya-LLaMA-13B-v1	SFT ajustó una versión del modelo Ziya-LLaMA-13B en el conjunto de datos médicos chinos e ingleses shibing624/medical. Se mejoró el efecto de preguntas y respuestas médicas y se ajustaron los pesos LoRA (diálogo de ronda única). han sido liberados.
shibing624/ziya-llama-13b-medical-merged	IDEA-CCNL/Ziya-LLaMA-13B-v1	SFT ajustó una versión del modelo Ziya-LLaMA-13B en el conjunto de datos médicos chinos e ingleses shibing624/medical. Se mejoró el efecto de preguntas y respuestas médicas, y el modelo completo pesa después del ajuste fino (ronda única). del diálogo) son liberados.
shibing624/vicuña-baichuan-13b-chat-lora	baichuan-inc/Baichuan-13B-Chat	SFT ajustó una versión del modelo de preguntas y respuestas de rondas múltiples de baichuan-13b-chat en el conjunto de datos de conversaciones de rondas múltiples de ShareGPT GPT4 en varios idiomas, shibing624/sharegpt_gpt4 y el conjunto de datos médicos shibing624/medical. Se mejoraron las preguntas y respuestas médicas y se lanzó el ajuste fino del peso de LoRA.
shibing624/vicuña-baichuan-13b-chat	baichuan-inc/Baichuan-13B-Chat	SFT ajustó una versión del modelo de preguntas y respuestas de rondas múltiples de baichuan-13b-chat en el conjunto de datos de conversaciones de rondas múltiples de ShareGPT GPT4 en varios idiomas, shibing624/sharegpt_gpt4 y el conjunto de datos médicos shibing624/medical. Se mejoraron las preguntas y respuestas médicas y se publicó el ajuste fino. Los pesos del modelo completo se publicaron después.
shibing624/llama-3-8b-instruct-262k-chino	Llama-3-8B-Instrucción-262k	El modelo de diálogo de múltiples turnos de texto ultralargo obtenido al ajustar el método ORPO en el conjunto de datos de preferencia de 20,000 chinos e ingleses shibing624/DPO-En-Zh-20k-Preference es adecuado para RAG y diálogo de múltiples turnos.

Demuestre el efecto del modelo shibing624/vicuna-baichuan-13b-chat: Para casos específicos, consulte Ejemplos de inferencia.

▶️ Manifestación

Proporcionamos una interfaz web interactiva simple basada en Gradio. Después de iniciar el servicio, puede acceder a él a través de un navegador, ingresar una pregunta y el modelo le devolverá la respuesta.

Inicie el servicio con el siguiente comando:

CUDA_VISIBLE_DEVICES=0 python gradio_demo.py --model_type base_model_type --base_model path_to_llama_hf_dir --lora_model path_to_lora_dir

Descripción del parámetro:

• --model_type {base_model_type} : tipo de modelo previamente entrenado, como llama, bloom, chatglm, etc.
• --base_model {base_model} : directorio para almacenar los pesos del modelo LLaMA y los archivos de configuración en formato HF. También puede utilizar el nombre de llamada del modelo HF Model Hub.
• --lora_model {lora_model} : el directorio donde se encuentra el archivo LoRA. También puede utilizar el nombre de llamada del modelo HF Model Hub. Si los pesos de lora se han fusionado en el modelo previamente entrenado, elimine el parámetro --lora_model.
• --tokenizer_path {tokenizer_path} : el directorio donde se almacena el tokenizador correspondiente. Si no se proporciona este parámetro, su valor predeterminado es el mismo que --base_model
• --template_name : nombre de la plantilla, como vicuna , alpaca , etc. Si no se proporciona este parámetro, su valor predeterminado es vicuña.
• --only_cpu : usa CPU solo para inferencia
• --resize_emb : si se debe ajustar el tamaño de incrustación; de lo contrario, utilice el tamaño de incrustación del modelo previamente entrenado.

? Instalar

Actualizando los requisitos

requirements.txt se actualizará de vez en cuando para adaptarse a las funciones más recientes. Utilice el siguiente comando para actualizar las dependencias:

git clone https://github.com/shibing624/MedicalGPT
cd MedicalGPT
pip install -r requirements.txt --upgrade

Requisito de hardware (memoria de vídeo/VRAM)

* estimar

metodo de entrenamiento	Exactitud	7B	13B	30B	70B	110B	8x7B	8x22B
Parámetros completos	AMP (precisión mixta automática)	120GB	240GB	600GB	1200GB	2000GB	900GB	2400GB
Parámetros completos	16	60GB	120GB	300GB	600GB	900GB	400GB	1200GB
lora	16	16GB	32GB	64GB	160GB	240GB	120GB	320GB
QLoRA	8	10GB	20GB	40GB	80GB	140GB	60GB	160GB
QLoRA	4	6GB	12GB	24GB	48GB	72GB	30GB	96GB
QLoRA	2	4GB	8GB	16GB	24GB	48GB	18GB	48GB

Canal de capacitación

Etapa de formación:

Escenario	Introducción	secuencia de comandos de Python	script de shell
Continuar con el entrenamiento previo	Preentrenamiento incremental	preentrenamiento.py	run_pt.sh
Ajuste supervisado	Ajuste supervisado	supervisado_finetuning.py	run_sft.sh
Optimización de preferencias directas	Optimización de preferencias directas	dpo_training.py	run_dpo.sh
Modelado de recompensas	Modelado de modelo de recompensa	recompensa_modelado.py	ejecutar_rm.sh
Aprendizaje por refuerzo	aprendizaje por refuerzo	ppo_training.py	run_ppo.sh
ORPO	Optimización de preferencias probabilísticas	orpo_training.py	run_orpo.sh

• Proporciona un canal de capacitación completo de etapa completa de PT + SFT + DPO: run_training_dpo_pipeline.ipynb, y su colaboración correspondiente:, que demora aproximadamente 15 minutos en completarse.
• Proporciona un canal de capacitación completo de etapa completa PT + SFT + RLHF: run_training_ppo_pipeline.ipynb, y su correspondiente colab:, que demora aproximadamente 20 minutos en completarse.
• Proporciona la función de preguntas y respuestas (RAG) de LLM basada en archivos de la base de conocimientos: chatpdf.py
• Descripción de los parámetros de entrenamiento | Wiki de descripción de parámetros de entrenamiento
• Conjunto de datos |
• Vocabulario ampliado | Wiki de vocabulario ampliado
• Preguntas frecuentes | Preguntas frecuentes_wiki

Modelos compatibles

Nombre del modelo	Tamaño del modelo	Módulos de destino	Plantilla
Baichuan	7B/13B	W_paquete	baichuan
Baichuan2	7B/13B	W_paquete	baichuan2
BLOOMZ	560M/1.1B/1.7B/3B/7.1B/176B	valor_clave_consulta	vicuña
ChatGLM	6B	valor_clave_consulta	chatglm
ChatGLM2	6B	valor_clave_consulta	chatglm2
ChatGLM3	6B	valor_clave_consulta	chatglm3
Adherirse	104B	q_proj,v_proj	adherirse
búsqueda profunda	7B/16B/67B	q_proj,v_proj	búsqueda profunda
PasanteLM2	7B/20B	wxya	pasante2
LLAMA	7B/13B/33B/65B	q_proj,v_proj	alpaca
LLaMA2	7B/13B/70B	q_proj,v_proj	llama2
LLaMA3	8B/70B	q_proj,v_proj	llama3
Mistral	7B/8x7B	q_proj,v_proj	mistral
Orión	14B	q_proj,v_proj	Orión
Qwen	1.8B/7B/14B/72B	c_attn	qwen
Qwen1.5	0.5B/1.8B/4B/14B/32B/72B/110B	q_proj,v_proj	qwen
Qwen2	0.5B/1.5B/7B/72B	q_proj,v_proj	qwen
XVERSO	13B	valor_clave_consulta	xverso
yi	6B/34B	q_proj,v_proj	yi

Inferencia

Una vez completado el entrenamiento, ahora cargamos el modelo entrenado y verificamos el efecto del texto generado por el modelo.

CUDA_VISIBLE_DEVICES=0 python inference.py 
    --model_type base_model_type 
    --base_model path_to_model_hf_dir 
    --tokenizer_path path_to_model_hf_dir 
    --lora_model path_to_lora 
    --interactive

Descripción del parámetro:

• --model_type {base_model_type} : tipo de modelo previamente entrenado, como llama, bloom, chatglm, etc.
• --base_model {base_model} : Directorio para almacenar los pesos del modelo LLaMA y los archivos de configuración en formato HF
• --tokenizer_path {base_model} : Directorio para almacenar los pesos del modelo LLaMA y los archivos de configuración en formato HF
• --lora_model {lora_model} : el directorio donde se encuentra el archivo descomprimido LoRA. También puede utilizar el nombre de llamada del modelo HF Model Hub. No es necesario proporcionar este parámetro si se han incorporado pesos LoRA en el modelo previamente entrenado.
• --tokenizer_path {tokenizer_path} : el directorio donde se almacena el tokenizador correspondiente. Si no se proporciona este parámetro, su valor predeterminado es el mismo que --base_model
• --template_name : nombre de la plantilla, como vicuna , alpaca , etc. Si no se proporciona este parámetro, su valor predeterminado es vicuña.
• --interactive : inicia múltiples rondas de preguntas y respuestas de forma interactiva, utilizando el razonamiento de transmisión
• --data_file {file_name} : cuando se inicia en modo no interactivo, lee el contenido de nombre_archivo para la predicción por lotes.
• --output_file {file_name} : en modo no interactivo, escriba los resultados previstos en nombre_archivo en formato jsonl
• --resize_emb : si se debe ajustar el tamaño de incrustación; de lo contrario, utilice el tamaño de incrustación del modelo previamente entrenado.
• --only_cpu : usa CPU solo para inferencia
• --gpus {gpu_ids} : especifique el número de dispositivo GPU utilizado, el valor predeterminado es 0. Si se utilizan varias GPU, sepárelas con comas, como 0,1,2

razonamiento de doka

Paralelismo de datos de varias tarjetas, inferencia por lotes

CUDA_VISIBLE_DEVICES=0,1 torchrun --nproc_per_node 2 inference_multigpu_demo.py --model_type baichuan --base_model shibing624/vicuna-baichuan-13b-chat

Implementación de múltiples tarjetas Vllm

bash run_Multi-GPUs-deployment.sh

Ejemplos de inferencia

shibing624/vicuna-baichuan-13b-chat ejemplos de inferencia:

Caso de salida del modelo

Humano	Asistente
Qué hacer si un niño tiene fiebre	La fiebre es la respuesta natural del cuerpo a una infección u otra enfermedad. Aquí hay algunas sugerencias para ayudar a aliviar los síntomas de la fiebre: 1. Mantente hidratado: Cuando tienes fiebre, tu cuerpo pierde agua, por lo que necesitas mantenerte hidratado. 2. Utilice una bolsa de hielo: colocar una bolsa de hielo en la frente o el cuello puede ayudar a reducir la temperatura corporal. 3. Utilice antipiréticos: Los antipiréticos pueden ayudar a reducir la temperatura corporal. 4. Mantenga la temperatura corporal: Mantener la temperatura corporal puede ayudar a reducir la temperatura corporal. 5. Limpia tu cuerpo con agua fría o tibia: Limpiar tu cuerpo con agua fría o tibia puede ayudar a bajar la temperatura corporal. 6. Utilice antipiréticos: Los antipiréticos pueden ayudar a reducir la temperatura corporal. 7. Mantenga la temperatura corporal: Mantener la temperatura corporal puede ayudar a reducir la temperatura corporal. 8. Limpia tu cuerpo con agua fría o tibia: Limpiar tu cuerpo con agua fría o tibia puede ayudar a bajar la temperatura corporal. 9. Utilice antipiréticos: Los antipiréticos pueden ayudar a reducir la temperatura corporal. 10. Mantenga la temperatura corporal: Mantener la temperatura corporal puede ayudar a reducir la temperatura corporal.
¿Qué medicamento puede tomar un bebé de un año si tiene fiebre?	Cuando un bebé de 1 año tiene fiebre, se pueden considerar los siguientes medicamentos: 1. Antipiréticos: como Ibuprofeno o Paracetamol. Estos medicamentos pueden ayudar a reducir la temperatura corporal y aliviar los síntomas de la fiebre. 2. Antibióticos: si la fiebre es causada por una infección bacteriana, se pueden considerar los antibióticos. Pero asegúrese de usarlo bajo el consejo de su médico. 3. Medicamentos antivirales: si la fiebre es causada por una infección viral, se pueden considerar los medicamentos antivirales. Pero asegúrese de usarlo bajo el consejo de su médico. 4. Fármacos antipiréticos y analgésicos: como aspirina o paracetamol. Estos medicamentos pueden ayudar a aliviar los síntomas de la fiebre. 5. Antihistamínicos: como difenhidramina o fexofenadina (naproxeno). Estos medicamentos pueden ayudar a aliviar los síntomas de la fiebre. Asegúrese de utilizar estos medicamentos según las indicaciones de su médico y siga las instrucciones de dosificación y uso que figuran en el prospecto. Al mismo tiempo, mantenga a su bebé bien hidratado y asegúrese de que descanse lo suficiente.
Las lesiones anales pueden ser síntomas de qué enfermedades.	Las lesiones anales pueden deberse a diversas causas, que incluyen infección, inflamación, tumores u otras enfermedades. Algunas lesiones anales comunes incluyen: 1. Fisura anal: Se trata de un desgarro en la piel del ano, generalmente causado por estreñimiento u otros factores de estrés. 2. Fístula anal: se trata de una infección anal que provoca la formación de una fístula entre la piel del ano y el recto. 3. Verruga anal: Se trata de una lesión parecida a una verruga que se forma en la piel del ano, generalmente causada por el virus del papiloma humano (VPH). 4. Absceso anal: se trata de una infección anal que provoca la formación de un absceso debajo de la piel del ano. 5. Tumor anal: Es un tumor que se forma en la piel del ano o en el recto. 6. Úlcera anal: Es una úlcera que se forma en la piel del ano, generalmente causada por una infección o inflamación. 7. Picazón anal: Este es un síntoma de picazón en la piel del ano, que puede ser causado por una infección, inflamación u otras enfermedades. Si tiene síntomas de lesiones anales, consulte a un profesional de la salud para obtener un diagnóstico y tratamiento adecuados.
Hola doctor, ¿por qué aumenta la leucorrea y se pone amarilla?	Hola, el aumento del flujo vaginal amarillo puede deberse a diversas razones, que incluyen infección, cambios hormonales, sequedad vaginal u otros problemas ginecológicos. Aquí hay algunas posibles razones: 1. Infección: El aumento del flujo vaginal amarillento puede deberse a una infección vaginal o del tracto urinario. Las infecciones pueden ser causadas por bacterias, virus u hongos. 2. Cambios hormonales: Los cambios hormonales, como el ciclo menstrual o la menopausia, pueden provocar un aumento del flujo vaginal y coloración amarillenta. 3. Sequedad vaginal: La sequedad vaginal puede provocar un aumento del flujo vaginal y coloración amarillenta. 4. Otros problemas ginecológicos: Otros problemas ginecológicos, como cervicitis, endometritis o endometriosis, también pueden provocar un flujo vaginal aumentado y amarillento. Si le preocupa su leucorrea, se recomienda que consulte a un ginecólogo para que lo examine y diagnostique. Su médico puede determinar la causa y brindarle el tratamiento adecuado según sus síntomas y resultados de las pruebas.
Si hay leucorrea de chocolate después de un aborto con medicamentos, ¿es porque el aborto no fue limpio?	La aparición de leucorrea de chocolate después de un aborto con medicamentos no significa necesariamente que el aborto no haya sido limpio. La leucorrea del chocolate es causada por el desprendimiento y el sangrado del revestimiento del útero y generalmente ocurre dentro de un período de tiempo después del aborto con medicamentos. Las causas de la leucorrea del chocolate después de un aborto con medicamentos pueden incluir: 1. Desprendimiento del endometrio: Después del aborto con medicamentos, el endometrio se desprenderá y provocará sangrado. Este sangrado puede aparecer como leucorrea de chocolate. 2. Infección: Después de un aborto con medicamentos, el endometrio y el cuello uterino pueden quedar traumatizados y ser susceptibles a una infección bacteriana. La infección puede causar flujo vaginal de chocolate. 3. Cambios en los niveles hormonales: Después de un aborto con medicamentos, los niveles hormonales pueden cambiar, lo que provoca leucorrea del chocolate. Si la leucorrea del chocolate dura mucho tiempo o se acompaña de otros síntomas, como dolor abdominal, fiebre, olor peculiar a secreciones, etc., se recomienda buscar tratamiento médico a tiempo y realizar los exámenes pertinentes, como el examen ginecológico. Ultrasonido B, etc., para determinar si hay infección u otros problemas. Realizar el tratamiento correspondiente bajo la orientación de un médico.
¿Qué enfermedades puede tratar la Crema de Vitamina E?	La crema de vitamina E es un fármaco tópico que se utiliza principalmente para tratar enfermedades de la piel como el acné y la dermatitis seborreica. Puede ayudar a reducir la producción de grasa en la piel, reducir la inflamación y promover la reparación de la piel. Cabe señalar que la crema de vitamina E no es una panacea y puede no ser adecuada para determinadas enfermedades de la piel. Antes de su uso, se recomienda consultar a un médico o farmacéutico para comprender las indicaciones, contraindicaciones, uso y dosificación del medicamento. Al mismo tiempo, debes seguir las instrucciones de tu médico cuando uses drogas para evitar el abuso por tu cuenta.
¿Qué causa el acné?	El acné, también llamado comedones, es causado por la obstrucción de los poros de la piel. Hay muchas causas de los poros obstruidos, que incluyen: 1. Glándulas sebáceas hiperactivas: las glándulas sebáceas producen demasiada grasa, lo que provoca la obstrucción de los poros. 2. Poros obstruidos: Las células muertas de la piel, la grasa y las bacterias de la superficie de la piel obstruyen los poros. 3. Inflamación: El acné suele ir acompañado de inflamación, que puede ser causada por una infección de la piel o la respuesta del sistema inmunológico al acné. 4. Factores genéticos: algunas personas pueden ser más susceptibles al acné, posiblemente debido a factores genéticos. 5. Cambios hormonales: el acné es más común durante la pubertad y la menstruación, y puede deberse a cambios hormonales. 6. Factores del estilo de vida: Ciertos factores del estilo de vida, como el estrés, la mala alimentación y la falta de ejercicio, también pueden provocar acné. 7. Cosméticos y productos para el cuidado de la piel: Ciertos cosméticos y productos para el cuidado de la piel pueden causar acné, especialmente aquellos que contienen ingredientes irritantes. 8. Medicamentos: Ciertos medicamentos, como las píldoras anticonceptivas orales, también pueden causar acné. Para prevenir el acné, puede tomar medidas como mantener la piel limpia, utilizar productos suaves para el cuidado de la piel, evitar el uso excesivo de cosméticos y productos para el cuidado de la piel, mantener un estilo de vida y una dieta saludables y evitar el estrés y los cambios hormonales. Si su acné es severo, es posible que necesite buscar ayuda de un dermatólogo.
Qué hacer si tienes acné en la cara, qué medicamentos puedes tomar y a qué debes prestar atención	El acné, también conocido como acné, es una enfermedad común de la piel. El tratamiento del acné debe considerar de manera integral muchos aspectos como la dieta, los hábitos de vida, los medicamentos, etc. Aquí hay algunas sugerencias: 1. Dieta: *Evitar alimentos ricos en azúcar, grasas y aceites, como comida rápida, postres, frituras, etc. * Consuma más verduras, frutas y cereales integrales frescos para aumentar la ingesta de fibra y promover la peristalsis intestinal. * Evite consumir demasiada cafeína, alcohol, comida picante y otros alimentos estimulantes. 2. Hábitos de vida: * Mantener un buen horario de sueño y garantizar un sueño adecuado. * Evite el uso prolongado de productos electrónicos como computadoras y teléfonos móviles para evitar la irritación de la piel por radiación. * Mantenga su piel limpia y utilice un limpiador suave todas las mañanas y noches. * Evite exprimir las espinillas para evitar infecciones y cicatrices. 3. Drogas: * Medicamentos tópicos: puede utilizar productos para el cuidado de la piel que contengan ácido salicílico, ácido benzoico, ácido azelaico y otros ingredientes para ayudar a eliminar las células muertas de la superficie de la piel y reducir la formación de acné. * Medicamentos orales: si el acné es grave, se pueden considerar antibióticos orales, complejo de vitamina B, zinc y otros medicamentos, pero deben usarse bajo la supervisión de un médico. 4. Nota: * No utilice cosméticos y productos para el cuidado de la piel al azar para evitar irritar la piel. * No limpie demasiado la piel para evitar dañar la barrera cutánea. * Mantenga su estado de ánimo confortable y evite emociones negativas como ansiedad y depresión. En definitiva, el tratamiento del acné debe considerar de forma integral muchos aspectos como la dieta, los hábitos de vida, los medicamentos, etc. Durante el proceso de tratamiento, sea paciente y confiado, siga las recomendaciones del médico y mejore gradualmente la condición de su piel.
¿El conducto deferente bloqueado causará infertilidad masculina? Hola doctor, mi colega ha estado infeliz estos días. Le pregunté qué le pasaba. Ella dijo que el conducto deferente de su esposo estaba bloqueado, por lo que nunca tuvo hijos. No es que no quisiera tener hijos. ¿Los deferentes causan infertilidad masculina?	La obstrucción de los conductos deferentes puede causar infertilidad masculina. El conducto deferente es un tubo que conecta los testículos con la uretra y transporta los espermatozoides desde los testículos hasta la uretra. Si el conducto deferente está bloqueado, los espermatozoides no pueden atravesarlo y llegar a la uretra, lo que provoca infertilidad. Hay muchas razones para el bloqueo de los conductos deferentes, incluidas anomalías congénitas del desarrollo, inflamación, tumores, traumatismos, etc. Los métodos de tratamiento para la obstrucción del conducto deferente incluyen el desbloqueo quirúrgico y el tratamiento farmacológico. Si el conducto deferente está gravemente bloqueado, es posible que sea necesaria una cirugía para eliminarlo. Es importante tener en cuenta que la obstrucción de los conductos deferentes no necesariamente conduce a la infertilidad, ya que existen otras formas en que los espermatozoides pueden transportarse al cuerpo de una mujer. Por ejemplo, los espermatozoides pueden llegar al cuerpo femenino a través de tejidos como el epidídimo y la próstata. Por lo tanto, si el conducto deferente está bloqueado, se recomienda buscar tratamiento médico lo antes posible y buscar ayuda de un médico profesional.
¿Se puede tratar el infarto de miocardio?	El infarto de miocardio es una afección grave que, si se trata a tiempo, puede salvar vidas y prevenir discapacidades a largo plazo. La clave para tratar el infarto de miocardio es el reconocimiento y el tratamiento tempranos. El tratamiento del infarto de miocardio suele implicar los siguientes pasos: 1. Busque atención médica de inmediato: si se presentan síntomas como dolor en el pecho, dificultad para respirar o desmayos, busque atención médica de inmediato. 2. Medicamentos: Su médico puede recetarle medicamentos, como nitroglicerina o aspirina, para ayudar a aliviar los síntomas y prevenir daños mayores. 3. Terapia trombolítica: si el paciente sufre un infarto de miocardio antes de llegar al hospital, el médico puede realizar una terapia trombolítica, que consiste en inyectar medicamentos que disuelven los coágulos sanguíneos para ayudar a restablecer el flujo sanguíneo. 4. Tratamiento quirúrgico: si la medicación o el tratamiento trombolítico fallan, su médico puede recomendarle una cirugía, como una cirugía de bypass de la arteria coronaria o la implantación de un stent cardíaco. 5. Rehabilitación y prevención: el tratamiento del infarto de miocardio a menudo incluye un programa de rehabilitación para ayudar a los pacientes a recuperar la función física y prevenir futuros eventos cardíacos. Además, los pacientes deben seguir las recomendaciones de su médico para reducir el riesgo de enfermedad cardíaca. Es importante señalar que el tratamiento del infarto de miocardio depende de la condición y los síntomas específicos del paciente. Por lo tanto, si usted o alguien que conoce presenta síntomas de infarto de miocardio, busque atención médica de inmediato.
Cómo mantenerte enérgico, aquí tienes 5 sugerencias	1. Duerma lo suficiente: Dormir es crucial para mantener altos sus niveles de energía. Asegúrese de dormir entre 7 y 9 horas de calidad todas las noches. 2. Lleva una dieta equilibrada: Una dieta equilibrada es fundamental para mantener los niveles de energía. Asegúrese de consumir suficientes proteínas, carbohidratos y grasas saludables. 3. Haga ejercicio con regularidad: El ejercicio regular puede ayudar a aumentar los niveles de energía. Trate de realizar al menos 30 minutos de ejercicio aeróbico todos los días, como caminar, correr o andar en bicicleta. 4. Controle el estrés: El estrés agota la energía, por lo que controlarlo es crucial para mantener altos sus niveles de energía. Trate de encontrar formas de relajarse y reducir el estrés, como la meditación, el yoga o ejercicios de respiración profunda. 5. Manténgase hidratado: la deshidratación puede reducir los niveles de energía. Asegúrese de beber suficiente agua todos los días y rehidratarse según sea necesario.
Escribe un poema de primavera.	primavera, Es la estación en la que la tierra despierta, Es la temporada de avivamiento para todas las cosas, Es la estación en la que la vida florece. primavera, Es la temporada soleada, Es la estación del canto de los pájaros y de las flores fragantes, Es la temporada de exuberante vegetación, Es la temporada de la esperanza infinita. primavera, Es la temporada en la que la gente ríe, Es la temporada para que los niños jueguen, Es la temporada para que los amantes se abracen, Es la temporada en la que la gente persigue sus sueños.
¿Por qué no hay osos polares en la Antártida?	No hay osos polares en la Antártida porque los osos polares viven en la región ártica, mientras que la Antártida está ubicada en el hemisferio sur y el clima y el medio ambiente son muy diferentes a los de las regiones árticas. La Antártida tiene un clima muy frío y está cubierta de hielo y nieve durante todo el año, mientras que los osos polares viven en el Ártico, donde abunda la vida marina y los mamíferos terrestres. Además, el ecosistema de la Antártida es diferente al del Ártico y no tiene las condiciones de supervivencia que requieren los osos polares.

Conjunto de datos

conjunto de datos médicos

• 2,4 millones de conjuntos de datos médicos chinos (incluidos conjuntos de datos de preformación, ajuste de instrucciones y recompensas): shibing624/medical
• Conjunto de datos de 220.000 conversaciones médicas chinas (proyecto Huatuo): shibing624/huatuo_medical_qa_sharegpt [Formato admitido por este proyecto]

Conjunto de datos común

Conjuntos de datos de preentrenamiento

• 16 GB en chino e inglés, corpus paralelo sin supervisión Linly-AI/conjunto de datos de preentrenamiento chino
• 524 MB corpus de Wikipedia en chino wikipedia-cn-20230720-filtrado

Conjuntos de datos de ajuste fino supervisados ​​(conjuntos de datos de ajuste fino de comandos)

• Conjunto de datos de conversaciones de varios turnos ShareGPT GPT4 en varios idiomas: shibing624/sharegpt_gpt4 [Formato admitido por este proyecto]
• 90,000 colección de diálogos de múltiples turnos de ShareGPT en inglés: anon8231489123/ShareGPT_Vicuna_unfiltered [Formato admitido por este proyecto]
• 500.000 instrucciones ChatGPT chinas Conjunto de datos de Belle: BelleGroup/train_0.5M_CN
• Conjunto de datos de Belle de 1 millón de instrucciones ChatGPT chinas: BelleGroup/train_1M_CN
• Conjunto de datos de Alpaca con instrucciones ChatGPT en inglés de 50k: Conjunto de datos de Stanford Alpaca de 50k en inglés
• 20.000 instrucciones ChatGPT chinas Conjunto de datos de alpaca: shibing624/alpaca-zh
• Conjunto de datos de Guanaco de 690.000 instrucciones chinas (Belle 500.000 + Guanaco 190.000): Chinese-Vicuna/guanaco_belle_merge_v1.0
• Conjunto de datos de conversaciones de varios turnos ChatGPT en inglés de 50.000: RyokoAI/ShareGPT52K
• Conjunto de datos de conversaciones multiturno de ChatGPT chino de 800.000: BelleGroup/multiturn_chat_0.8M
• Conjunto de datos de conversaciones de múltiples rondas ChatGPT chino de 1,16 millones: fnlp/moss-002-sft-data
• Conjunto de datos de conversaciones multiturno de 38.000 ShareGPT chinos: FreedomIntelligence/ShareGPT-CN
• 1,3 millones de conjuntos de datos chinos ajustados (resumen): zhuangxialie/Llama3-Chinese-Dataset [Formato admitido por este proyecto]
• Conjunto de datos de diálogos de múltiples rondas de juegos de rol chinos de 7000: shibing624/roleplay-zh-sharegpt-gpt4-data [Formato admitido por este proyecto]

Conjuntos de datos de preferencias

• 20.000 conjuntos de datos de preferencias en chino e inglés: shibing624/DPO-En-Zh-20k-Preference [Formatos admitidos por este proyecto]
• Conjunto de datos original de oasst1: OpenAssistant/oasst1
• Conjunto de datos de recompensa oasst1 de 20.000 idiomas en varios idiomas: tasksource/oasst1_pairwise_rlhf_reward
• Conjunto de datos de recompensa de 110.000 hh-rlhf en inglés: Dahoas/full-hh-rlhf
• 90.000 conjuntos de datos de recompensa en inglés (del conjunto de datos Útil e Inofensivo de Anthropic): Dahoas/static-hh
• 70.000 conjuntos de datos de recompensas en inglés (fuente como arriba): Dahoas/rm-static
• 70.000 conjuntos de datos de recompensas en chino tradicional (traducidos de rm-static) liswei/rm-static-m2m100-zh
• 70.000 conjuntos de datos de recompensas en inglés: yitingxie/rlhf-reward-datasets
• Conjunto de datos de preferencias de preguntas y respuestas de 3000 Zhihu chinos: liyucheng/zhihu_rlhf_3k

☎️Contacto

• Problema (sugerencia):
• Envíeme un correo electrónico: xuming: [email protected]
• WeChat Me: agregue mi ID de WeChat: xuming624, comentarios: Nombre-nombre de la empresa-NLP para unirme al grupo de comunicación de NLP (agrégueme para unirme a usted en el grupo).

️ LICENCIA

Este proyecto solo se puede utilizar con fines de investigación y el desarrollador del proyecto no es responsable de ningún daño o pérdida causado por el uso de este proyecto (incluidos, entre otros, datos, modelos, códigos, etc.). Consulte el descargo de responsabilidad para obtener más detalles.

El acuerdo de licencia para el código del proyecto MedicalGPT es la Licencia Apache 2.0. El código se puede utilizar de forma gratuita con fines comerciales y los pesos y datos del modelo solo se pueden utilizar con fines de investigación. Adjunte el enlace a MedicalGPT y el acuerdo de licencia en la descripción del producto.

¿Cita?

Si utiliza MedicalGPT en su investigación, cítelo en el siguiente formato:

@misc{MedicalGPT,
  title={MedicalGPT: Training Medical GPT Model},
  author={Ming Xu},
  year={2023},
  howpublished={ url {https://github.com/shibing624/MedicalGPT}},
}

?Contribuir

El código del proyecto aún es muy aproximado. Si tiene alguna mejora en el código, puede enviarlo nuevamente a este proyecto. Antes de enviarlo, preste atención a los dos puntos siguientes:

• Agregar las pruebas unitarias correspondientes en tests
• Utilice python -m pytest para ejecutar todas las pruebas unitarias para garantizar que todas las pruebas unitarias pasen

Luego puede enviar un PR.

?Expresiones de gratitud

• Optimización de preferencias directas: su modelo de lenguaje es secretamente un modelo de recompensa
• tloen/alpaca-lora
• ymcui/China-LLaMA-Alpaca
• hiyouga/LLaMA-Fábrica
• investigación-dvlab/LongLoRA

¡Gracias por su gran trabajo!

Proyectos relacionados recomendados

• shibing624/ChatPilot: proporciona una interfaz de usuario web simple y fácil de usar para LLM Agent (incluido RAG, búsqueda en línea e intérprete de código)