Delete readme.md

readme.md

@@ -1,254 +0,0 @@
----
-title: Llama NBCD Second Fine-tuning Platform
-emoji: 🦙
-colorFrom: blue
-colorTo: purple
-sdk: gradio
-sdk_version: 4.44.0
-app_file: app.py
-pinned: false
-license: mit
----
-
-# 🦙 Llama NBCD 二次微調完整平台
-
-互動式 Llama 模型二次微調和預測平台，支持多種參數高效微調方法 (LoRA, AdaLoRA, Adapter, BitFit, Prompt Tuning)。
-
-## 🌟 功能特色
-
-- 🎯 **第一次微調**: 從純 Llama 開始訓練，支持 5 種 PEFT 方法
-- 🔄 **二次微調**: 基於第一次模型用新數據繼續訓練
-- 📊 **Baseline 比較**: 自動比較未微調 vs 微調模型的效果
-- 🧪 **新數據測試**: 同時比較 3 個模型在新數據上的表現
-- 🎨 **指標選擇**: 可選擇最佳化指標（F1、Accuracy、Precision、Recall、Sensitivity、Specificity）
-- 🔮 **即時預測**: 訓練後可直接預測新樣本
-- 💾 **模型管理**: 自動儲存和管理多個訓練模型
-- 🧹 **記憶體管理**: 自動清理 GPU 記憶體，避免 OOM
-
-## 📋 使用方式
-
-### 📑 頁面結構 (5個Tab)
-
-#### 1️⃣ 第一次微調
-
-1. **上傳資料**: CSV 檔案需包含 `Text` 和 `label` 欄位
-2. **選擇模型**: 設定 Llama 模型（預設: meta-llama/Llama-3.2-1B）
-3. **選擇微調方法**:
-   - ✅ **LoRA**: 通用，效果好
-   - ✅ **AdaLoRA**: 自適應，效果更優
-   - ✅ **Adapter**: 適合多任務
-   - ✅ **BitFit**: 極快速，參數最少
-   - ✅ **Prompt Tuning**: 適合小數據集
-   - ❌ **Prefix Tuning**: 暫不支持（兼容性問題）
-4. **設定參數**: 調整資料平衡、訓練參數和 PEFT 參數
-5. **開始訓練**: 點擊「開始第一次微調」按鈕
-6. **查看結果**: 比較未微調和微調模型的表現
-
-#### 2️⃣ 二次微調
-
-1. **選擇基礎模型**: 從下拉選單選擇已訓練的第一次微調模型
-2. **上傳新資料**: 上傳新的訓練數據 CSV
-3. **調整參數**: 
-   - ⚠️ 微調方法自動繼承第一次
-   - 建議 Epochs 更少 (3-5 輪)
-   - 建議 Learning Rate 更小 (5e-5)
-4. **開始訓練**: 點擊「開始二次微調」按鈕
-5. **查看結果**: 查看二次微調後的表現
-
-#### 3️⃣ 新數據測試
-
-1. **上傳測試數據**: 上傳測試用的 CSV 檔案
-2. **選擇要比較的模型**:
-   - 純 Llama (Baseline) - 可選
-   - 第一次微調模型 - 可選
-   - 第二次微調模型 - 可選
-3. **開始測試**: 點擊「開始測試」按鈕
-4. **查看結果**: 並排比較所有選擇的模型在新數據上的表現
-
-#### 4️⃣ 模型預測
-
-1. **選擇模型**: 從下拉選單選擇已訓練的模型
-2. **輸入文本**: 輸入要預測的文本
-3. **查看結果**: 同時顯示未微調和微調模型的預測結果
-
-#### 5️⃣ 使用說明
-
-- 完整的操作流程說明
-- 微調方法詳細比較
-- 參數調整建議
-- 注意事項和常見問題
-
-## 🔐 重要設定
-
-### Hugging Face Token
-
-如果要使用 Llama 模型，需要：
-
-1. 在 [Hugging Face Settings](https://huggingface.co/settings/tokens) 創建 Token
-2. 在 Space 的 Settings → Repository secrets 中加入：
-   - Name: `HF_TOKEN`
-   - Value: 你的 token
-
-或在本地設定環境變數：
-```bash
-export HF_TOKEN=your_token_here
-```
-
-## ⚙️ 預設參數
-
-### 第一次微調
-- **訓練輪數**: 3
-- **批次大小**: 4
-- **學習率**: 1e-4
-- **LoRA rank**: 16
-- **LoRA alpha**: 32
-- **目標樣本數**: 700 筆/類別
-- **類別權重**: 啟用
-
-### 二次微調（建議）
-- **訓練輪數**: 3-5（比第一次少）
-- **批次大小**: 4
-- **學習率**: 5e-5（比第一次小）
-- **其他參數**: 自動繼承第一次
-
-## 📊 資料格式
-
-CSV 檔案需包含以下欄位：
-
-```csv
-Text,label
-"Patient data text here...",0
-"Another patient data...",1
-```
-
-或
-
-```csv
-text,Label
-"Patient data text here...",0
-"Another patient data...",1
-```
-
-- `Text`/`text`: 文本資料
-- `Label`/`label`: 標籤 (0 或 1)
-
-## 🎯 微調方法比較
-
-| 方法 | 參數量 | 記憶體 | 訓練速度 | 效果 | 適用場景 |
-|------|--------|--------|----------|------|----------|
-| **LoRA** | 很少 (~1%) | 低 | 快 | 良好 | 通用，效果好 |
-| **AdaLoRA** | 很少 (~1%) | 低 | 快 | 優秀 | 自適應，效果更優 |
-| **Adapter** | 少 (~2-5%) | 低 | 中 | 良好 | 多任務學習 |
-| **BitFit** | 極少 (~0.1%) | 極低 | 極快 | 可接受 | 快速微調 |
-| **Prompt Tuning** | 極少 (可調) | 極低 | 快 | 良好 | 小數據集 |
-
-## 💡 二次微調建議
-
-### 適用場景
-
-1. **領域適應**: 第一次用通用醫療數據，第二次用特定醫院數據
-2. **增量學習**: 隨時間增加新病例數據
-3. **數據稀缺**: 先用大量相關數據預訓練，再用少量目標數據微調
-
-### 參數調整原則
-
-- **Epochs**: 第二次建議 3-5 輪（第一次通常 5-8 輪）
-- **Learning Rate**: 第二次建議 5e-5（第一次通常 1e-4）
-- **避免**: 第二次不要用太大的學習率，會破壞已學習的知識
-
-## 📈 評估指標說明
-
-- **F1 Score**: 精確率和召回率的調和平均，平衡指標
-- **Accuracy**: 整體準確率
-- **Precision**: 預測為正類中的準確率
-- **Recall**: 實際正類中被正確識別的比例
-- **Sensitivity**: 敏感度，等同於 Recall
-- **Specificity**: 特異性，正確識別負類的能力
-
-## ⚠️ 注意事項
-
-- 訓練時間依資料量和硬體而定（通常 10-30 分鐘）
-- 需要 Hugging Face Token 才能下載 Llama 模型
-- **GPU 訓練強烈建議**: CPU 訓練會非常慢
-- 資料量建議: 每個類別至少 500 筆資料
-- 二次微調自動繼承第一次的微調方法，無法更改
-- Prefix Tuning 因 PEFT 庫兼容性問題暫不支持，請使用 Prompt Tuning 替代
-
-## 🔧 已知問題與解決方案
-
-### ✅ 已修復
-- **AdaLoRA**: 簡化配置參數，避免版本兼容性問題
-- **BitFit**: 正確處理 gradient 設置，包含分類頭訓練
-- **參數顯示**: 各方法現在會正確顯示專屬參數界面
-
-### ❌ 暫不支持
-- **Prefix Tuning**: 因 PEFT 版本與 transformers 的 DynamicCache 不兼容
-  - **錯誤**: `'DynamicCache' object has no attribute 'key_cache'`
-  - **替代方案**: 使用 Prompt Tuning，功能類似且更穩定
-  - **預計修復**: 等待 PEFT 庫更新
-
-## 🚀 快速開始
-
-```bash
-# 1. 安裝依賴
-pip install -r requirements.txt
-
-# 2. 設定 HF Token (可選，但建議設定)
-export HF_TOKEN=your_token_here
-
-# 3. 啟動應用
-python app.py
-
-# 4. 打開瀏覽器訪問
-# http://localhost:7860
-```
-
-## 📁 專案結構
-
-```
-.
-├── app.py                          # 主程式
-├── requirements.txt                # 依賴套件
-├── README.md                       # 說明文件
-├── saved_llama_models_list.json   # 模型列表（自動生成）
-└── llama_nbcd_*/                   # 訓練模型目錄（自動生成）
-```
-
-## 💻 系統需求
-
-### 最低需求
-- **CPU**: 4 核心以上
-- **RAM**: 16GB 以上
-- **硬碟**: 20GB 可用空間
-
-### 建議配置
-- **GPU**: NVIDIA GPU with 16GB+ VRAM (如 V100, A100, RTX 3090/4090)
-- **RAM**: 32GB 以上
-- **硬碟**: 50GB 可用空間（用於儲存多個模型）
-
-### 無 GPU 訓練
-- 可以使用 CPU 訓練，但速度會非常慢（可能需要數小時）
-- 建議使用 Google Colab 或 HuggingFace Spaces 的免費 GPU
-
-## 🤝 貢獻
-
-歡迎提交 Issue 和 Pull Request！
-
-## 📝 License
-
-MIT License
-
-## 🙏 致謝
-
-- [Hugging Face Transformers](https://github.com/huggingface/transformers)
-- [PEFT](https://github.com/huggingface/peft)
-- [Gradio](https://github.com/gradio-app/gradio)
-- [Meta Llama](https://ai.meta.com/llama/)
-
-## 📧 聯繫方式
-
-如有問題或建議，請開 Issue 討論。
-
----
-
-**⚡ 提示**: 首次使用建議先閱讀「使用說明」頁面，了解完整的操作流程！