saadys018
/

MedAlpaca-TumorFT2

@@ -1,202 +1,91 @@
----
-base_model: medalpaca/medalpaca-7b
-library_name: peft
----
-# Model Card for Model ID
-<!-- Provide a quick summary of what the model is/does. -->
-## Model Details
-### Model Description
-<!-- Provide a longer summary of what this model is. -->
-- **Developed by:** [More Information Needed]
-- **Funded by [optional]:** [More Information Needed]
-- **Shared by [optional]:** [More Information Needed]
-- **Model type:** [More Information Needed]
-- **Language(s) (NLP):** [More Information Needed]
-- **License:** [More Information Needed]
-- **Finetuned from model [optional]:** [More Information Needed]
-### Model Sources [optional]
-<!-- Provide the basic links for the model. -->
-- **Repository:** [More Information Needed]
-- **Paper [optional]:** [More Information Needed]
-- **Demo [optional]:** [More Information Needed]
-## Uses
-<!-- Address questions around how the model is intended to be used, including the foreseeable users of the model and those affected by the model. -->
-### Direct Use
-<!-- This section is for the model use without fine-tuning or plugging into a larger ecosystem/app. -->
-[More Information Needed]
-### Downstream Use [optional]
-<!-- This section is for the model use when fine-tuned for a task, or when plugged into a larger ecosystem/app -->
-[More Information Needed]
-### Out-of-Scope Use
-<!-- This section addresses misuse, malicious use, and uses that the model will not work well for. -->
-[More Information Needed]
-## Bias, Risks, and Limitations
-<!-- This section is meant to convey both technical and sociotechnical limitations. -->
-[More Information Needed]
-### Recommendations
-<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->
-Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.
-## How to Get Started with the Model
-Use the code below to get started with the model.
-[More Information Needed]
-## Training Details
-### Training Data
-<!-- This should link to a Dataset Card, perhaps with a short stub of information on what the training data is all about as well as documentation related to data pre-processing or additional filtering. -->
-[More Information Needed]
-### Training Procedure
-<!-- This relates heavily to the Technical Specifications. Content here should link to that section when it is relevant to the training procedure. -->
-#### Preprocessing [optional]
-[More Information Needed]
-#### Training Hyperparameters
-- **Training regime:** [More Information Needed] <!--fp32, fp16 mixed precision, bf16 mixed precision, bf16 non-mixed precision, fp16 non-mixed precision, fp8 mixed precision -->
-#### Speeds, Sizes, Times [optional]
-<!-- This section provides information about throughput, start/end time, checkpoint size if relevant, etc. -->
-[More Information Needed]
-## Evaluation
-<!-- This section describes the evaluation protocols and provides the results. -->
-### Testing Data, Factors & Metrics
-#### Testing Data
-<!-- This should link to a Dataset Card if possible. -->
-[More Information Needed]
-#### Factors
-<!-- These are the things the evaluation is disaggregating by, e.g., subpopulations or domains. -->
-[More Information Needed]
-#### Metrics
-<!-- These are the evaluation metrics being used, ideally with a description of why. -->
-[More Information Needed]
-### Results
-[More Information Needed]
-#### Summary
-## Model Examination [optional]
-<!-- Relevant interpretability work for the model goes here -->
-[More Information Needed]
-## Environmental Impact
-<!-- Total emissions (in grams of CO2eq) and additional considerations, such as electricity usage, go here. Edit the suggested text below accordingly -->
-Carbon emissions can be estimated using the [Machine Learning Impact calculator](https://mlco2.github.io/impact#compute) presented in [Lacoste et al. (2019)](https://arxiv.org/abs/1910.09700).
-- **Hardware Type:** [More Information Needed]
-- **Hours used:** [More Information Needed]
-- **Cloud Provider:** [More Information Needed]
-- **Compute Region:** [More Information Needed]
-- **Carbon Emitted:** [More Information Needed]
-## Technical Specifications [optional]
-### Model Architecture and Objective
-[More Information Needed]
-### Compute Infrastructure
-[More Information Needed]
-#### Hardware
-[More Information Needed]
-#### Software
-[More Information Needed]
-## Citation [optional]
-<!-- If there is a paper or blog post introducing the model, the APA and Bibtex information for that should go in this section. -->
-**BibTeX:**
-[More Information Needed]
-**APA:**
-[More Information Needed]
-## Glossary [optional]
-<!-- If relevant, include terms and calculations in this section that can help readers understand the model or model card. -->
-[More Information Needed]
-## More Information [optional]
-[More Information Needed]
-## Model Card Authors [optional]
-[More Information Needed]
-## Model Card Contact
-[More Information Needed]
-### Framework versions
-- PEFT 0.15.2.dev0

+# HAckathon Médical : Analyse des Tumeurs Cérébrales et Pipeline de Chatbot
+Ce dépôt contient un pipeline complet pour le traitement de données médicales, la génération d'images et un chatbot de santé spécialisé. Le projet intègre l'ingénierie des données, l'IA générative (GAN) et l'optimisation de modèles de langage (LLM) via le fine-tuning (SFT) et la distillation de connaissances.
+## 🚀 Aperçu du Projet
+Le projet est divisé en quatre segments techniques principaux :
+1. **Prétraitement et Nettoyage des Données** : Gestion des incohérences dans les ensembles de données cliniques.
+2. **Augmentation d'Images et Entraînement GAN** : Amélioration des jeux de données d'imagerie médicale en utilisant PyTorch et des GAN conditionnels (CGAN) pour la génération de données synthétiques.
+3. **Fine-Tuning de LLM (SFT)** : Adaptation du modèle `MedAlpaca-7B` pour la génération de données médicales structurées.
+4. **Distillation de Connaissances (KD)** : Distillation du LLM fine-tuné vers un modèle étudiant léger (BERT) pour un déploiement efficace.
+---
+## 📂 Structure du Répertoire
+```text
+HAckathon/
+├── data_dir/               # Jeux de données JSON d'entraînement/validation pour le chatbot
+├── tumeur/                 # Répertoire source des images de tumeurs cérébrales
+├── Gans data/              # Espace de travail pour les données et résultats de l'entraînement GAN
+├── data_augmentation_images/ # Sortie des scripts d'augmentation d'images
+├── sft_2 / sft / ...       # Points de contrôle (checkpoints) et journaux pour le fine-tuning LLM
+├── sauvegardStudent/       # Points de contrôle pour le modèle BERT distillé
+├── clean_data.ipynb        # Notebook de filtrage et nettoyage des données
+├── data_augmentation.ipynb # Pipeline de transformation et d'augmentation d'images
+├── CGANS.ipynb             # Architecture GAN et entraînement pour les images de tumeurs
+├── chatbot.ipynb           # Fine-tuning de LLM (SFT) utilisant LoRA
+└── distillation_script.ipynb # Distillation de connaissances de MedAlpaca vers BERT
+```
+---
+## 📓 Flux de Travail des Notebooks
+### 1. Nettoyage des Données ([clean_data.ipynb](clean_data.ipynb))
+- **Objectif** : Nettoyer le fichier clinique `data.csv`.
+- **Actions** : Filtre les dossiers médicaux spécifiquement pour les cas de "tumeur", gère les valeurs manquantes et sauvegarde le résultat dans `data_cleaned1.csv`.
+### 2. Augmentation d'Images ([data_augmentation.ipynb](data_augmentation.ipynb))
+- **Objectif** : Augmenter la diversité du jeu de données d'images médicales.
+- **Techniques** : Utilise les `transforms` de PyTorch pour la rotation, le retournement, la variation de couleur et le flou gaussien.
+- **Sortie** : Les images augmentées sont sauvegardées dans `data_augmentation_images/` pour l'entraînement du GAN.
+### 3. GAN Conditionnels (CGAN) ([CGANS.ipynb](CGANS.ipynb))
+- **Objectif** : Générer des images synthétiques de tumeurs cérébrales pour pallier la rareté des données.
+- **Architecture** : Une variante de DCGAN profond qui génère des images basées sur les catégories de tumeurs.
+- **Résultat** : Améliore le pool d'entraînement pour les modèles de diagnostic.
+### 4. SFT du Chatbot Médical ([chatbot.ipynb](chatbot.ipynb))
+- **Objectif** : Affiner `medalpaca/medalpaca-7b` sur des résumés médicaux structurés.
+- **Méthode** : Utilise **LoRA** (Low-Rank Adaptation) et la quantification 4 bits (bitsandbytes) pour un entraînement efficace sur des GPU grand public.
+- **Schéma** : Valide les réponses médicales à l'aide de modèles Pydantic (`data_forme`).
+### 5. Distillation de Connaissances ([distillation_script.ipynb](distillation_script.ipynb))
+- **Objectif** : Créer une version rapide et légère du chatbot.
+- **Professeur** : MedAlpaca-7B fine-tuné.
+- **Étudiant** : `bert-base-uncased`.
+- **Perte** : Combinaison de l'Entropie Croisée et de la Divergence KL pour transférer les "connaissances" (logits) du grand modèle vers le petit.
+---
+## 🛠️ Installation et Configuration
+```bash
+pip install torch torchvision transformers datasets bitsandbytes peft accelerate wandb
+```
+---
+## 📈 Suivi des Expériences
+Le projet utilise **Weights & Biases (WandB)** pour surveiller la perte d'entraînement et la convergence des GAN à travers toutes les expériences. Consultez le répertoire `wandb/` pour les journaux locaux.
+---
+## 📄 Génération de PDF
+Pour générer une version PDF de cette documentation :
+1. Utilisez l'extension **Markdown PDF** de VS Code.
+2. Ou utilisez `pandoc` :
+   ```bash
+   pandoc README.md -o Resume_Projet.pdf
+   ```