biomedical-ner-all

项目介绍：biomedical-ner-all

项目背景

biomedical-ner-all 是一个专为识别生物医学领域的命名实体而训练的模型。该模型使用了 Maccrobat 数据集，能够从输入的文本中识别多达 107 种生物医学实体。它基于 distilbert-base-uncased 模型构建，专注于医学报告等文本的实体识别任务。

模型细节

• 数据集: 模型使用了 Maccrobat 数据集进行训练，可以在 此处获取。
• 碳排放: 在训练期间的碳排放为 0.0279399890043426 千克。
• 训练时间: 模型的训练耗时 30.16527 分钟。
• GPU: 使用了 1 个 GeForce RTX 3060 笔记本电脑 GPU。

使用方法

要使用该模型，最简单的方法是通过 Hugging Face 的推理 API。另外，也可以使用 transformers 库提供的 pipeline 对象。

以下为使用示例：

from transformers import pipeline
from transformers import AutoTokenizer, AutoModelForTokenClassification

tokenizer = AutoTokenizer.from_pretrained("d4data/biomedical-ner-all")
model = AutoModelForTokenClassification.from_pretrained("d4data/biomedical-ner-all")

pipe = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple") # 如果使用 GPU，请传递 device=0
pipe("""The patient reported no recurrence of palpitations at follow-up 6 months after the ablation.""")

作者及支持

该模型是“生物医学领域的人工智能”研究课题的一部分，由 Deepak John Reji 和 Shaina Raza 开发。如果您使用了此作品（代码、模型或数据集），请在项目主页上给予支持：项目链接。

如果您愿意支持作者，可以通过以下链接进行捐助：

<a href="https://www.buymeacoffee.com/deepakjohnreji" target="_blank"><img src="https://cdn.buymeacoffee.com/buttons/v2/default-yellow.png" alt="Buy Me A Coffee" style="height: 60px !important;width: 217px !important;" ></a>

相关资源

如需详细学习模型及相应 Python 库的使用，可以观看 教程视频。