Create README.md

README.md

@@ -0,0 +1,85 @@
+---
+license: bsl-1.0
+base_model:
+- microsoft/OmniParser-v2.0
+pipeline_tag: text-generation
+tags:
+- medical
+---
+pip install transformers datasets torch
+[
+    {"soru": "Diyabet nedir?", "cevap": "Diyabet, vücudunuzun yeterince insülin üretemediği veya insülini etkili bir şekilde kullanamadığı bir durumdur."},
+    {"soru": "İnsülin direnci nedir?", "cevap": "İnsülin direnci, hücrelerinizin insüline yanıt vermediği ve kan şekerinin yükselmesine neden olduğu bir durumdur."},
+    {"soru": "Diyabet nasıl yönetilir?", "cevap": "Diyabet, sağlıklı beslenme, düzenli egzersiz ve ilaçlarla yönetilebilir."}
+]
+from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments
+from datasets import Dataset
+import json
+
+ Veri setini yükle
+with open("diabi_veri_seti.json", "r", encoding="utf-8") as f:
+    veri_seti = json.load(f)
+
+#Veri setini Hugging Face Dataset formatına dönüştür
+sorular = [veri["soru"] for veri in veri_seti]
+cevaplar = [veri["cevap"] for veri in veri_seti]
+
+dataset = Dataset.from_dict({"soru": sorular, "cevap": cevaplar})
+
+ Tokenizer ve modeli yükle
+model_adi = "microsoft/DialoGPT-small"  # Küçük, Orta veya Büyük model seçebilirsiniz
+tokenizer = AutoTokenizer.from_pretrained(model_adi)
+model = AutoModelForCausalLM.from_pretrained(model_adi)
+
+ Veri setini tokenize et
+def tokenize_veri(ornek):
+    return tokenizer(ornek["soru"] + " " + ornek["cevap"], truncation=True, padding="max_length", max_length=128)
+
+tokenized_dataset = dataset.map(tokenize_veri, batched=True)
+
+ Eğitim argümanlarını ayarla
+training_args = TrainingArguments(
+    output_dir="./diabi-model",  # Modelin kaydedileceği dizin
+    overwrite_output_dir=True,
+    num_train_epochs=3,  # Eğitim epoch sayısı
+    per_device_train_batch_size=8,  # Batch boyutu
+    save_steps=500,
+    save_total_limit=2,
+    logging_dir="./logs",  # Logların kaydedileceği dizin
+    logging_steps=10,
+)
+
+ Trainer'ı oluştur
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=tokenized_dataset,
+)
+
+ Modeli eğit
+trainer.train()
+
+ Modeli kaydet
+trainer.save_model("./diabi-model")
+tokenizer.save_pretrained("./diabi-model")
+
+from transformers import AutoTokenizer, AutoModelForCausalLM
+
+ Eğitilen modeli yükle
+model_adi = "./diabi-model"
+tokenizer = AutoTokenizer.from_pretrained(model_adi)
+model = AutoModelForCausalLM.from_pretrained(model_adi)
+
+ Sohbet başlat
+print("Diabi: Merhaba! Ben Diabi, diyabetle ilgili sorularınızı yanıtlamak için buradayım. Nasıl yardımcı olabilirim? (Çıkmak için 'exit' yazın)")
+while True:
+    user_input = input("Siz: ")
+    if user_input.lower() == "exit":
+        break
+
+    # Kullanıcı mesajını modele gönder
+    inputs = tokenizer.encode(user_input + tokenizer.eos_token, return_tensors="pt")
+    outputs = model.generate(inputs, max_length=1000, pad_token_id=tokenizer.eos_token_id)
+    bot_reply = tokenizer.decode(outputs[:, inputs.shape[-1]:][0], skip_special_tokens=True)
+
+    print(f"Diabi: {bot_reply}")