232 lines
9.2 KiB
Python
232 lines
9.2 KiB
Python
# medical_rag.py
|
||
import os
|
||
import json
|
||
import tiktoken
|
||
from typing import List, Tuple
|
||
import chromadb
|
||
from chromadb.utils.embedding_functions import SentenceTransformerEmbeddingFunction
|
||
from llama_cpp import Llama
|
||
import torch # Добавляем импорт torch
|
||
|
||
|
||
class MedicalRAG:
|
||
def __init__(
|
||
self,
|
||
model_path: str,
|
||
corpus_path: str = "rag_corpus.json",
|
||
db_path: str = "./chroma_db",
|
||
embedding_model_name: str = "cointegrated/rubert-tiny2",
|
||
top_k: int = 3,
|
||
n_ctx: int = 4096,
|
||
n_threads: int = 4,
|
||
token_multiplier: int = 5,
|
||
n_gpu_layers: int = -1, # Автоматическое определение слоев для GPU
|
||
main_gpu: int = 0, # Основной GPU
|
||
tensor_split: List[float] = None, # Разделение тензоров между GPU
|
||
use_gpu_for_embeddings: bool = True # Использовать GPU для эмбеддингов
|
||
):
|
||
self.corpus_path = corpus_path
|
||
self.top_k = top_k
|
||
self.token_multiplier = token_multiplier
|
||
|
||
# === Проверка доступности GPU ===
|
||
self.has_gpu = torch.cuda.is_available()
|
||
if self.has_gpu:
|
||
print(f"✅ GPU доступен: {torch.cuda.get_device_name()}")
|
||
print(f"✅ Количество GPU: {torch.cuda.device_count()}")
|
||
print(f"✅ Память GPU: {torch.cuda.get_device_properties(0).total_memory / 1024 ** 3:.1f} GB")
|
||
else:
|
||
print("⚠️ GPU не доступен, используется CPU")
|
||
|
||
# === Инициализация токенизатора ===
|
||
print("Инициализация токенизатора...")
|
||
try:
|
||
self.encoding = tiktoken.get_encoding("cl100k_base")
|
||
except:
|
||
print("⚠️ Не удалось загрузить токенизатор, используется базовый подсчет символов")
|
||
self.encoding = None
|
||
|
||
# === Эмбеддинги с GPU ===
|
||
print("Загрузка эмбеддинг-модели...")
|
||
device = "cuda" if self.has_gpu and use_gpu_for_embeddings else "cpu"
|
||
print(f"Эмбеддинг-модель будет использовать: {device.upper()}")
|
||
|
||
self.embedding_function = SentenceTransformerEmbeddingFunction(
|
||
model_name=embedding_model_name,
|
||
device=device
|
||
)
|
||
|
||
# === ChromaDB ===
|
||
print("Инициализация ChromaDB...")
|
||
self.client = chromadb.PersistentClient(path=db_path)
|
||
self.collection = self.client.get_or_create_collection(
|
||
name="medical_anamnesis",
|
||
embedding_function=self.embedding_function,
|
||
metadata={"hnsw:space": "cosine"}
|
||
)
|
||
|
||
if self.collection.count() == 0:
|
||
print("Коллекция пуста. Загрузка данных...")
|
||
self._load_corpus()
|
||
else:
|
||
print(f"Коллекция уже содержит {self.collection.count()} записей.")
|
||
|
||
# === LLM (YandexGPT) с GPU ===
|
||
if not os.path.exists(model_path):
|
||
raise FileNotFoundError(
|
||
f"Модель не найдена: {model_path}\n"
|
||
"Скачайте YandexGPT-5-Lite-8B-instruct-Q4_K_M.gguf и поместите в ./models/"
|
||
)
|
||
|
||
print("Загрузка языковой модели (YandexGPT)...")
|
||
|
||
# Параметры для GPU
|
||
gpu_params = {}
|
||
if self.has_gpu:
|
||
gpu_params.update({
|
||
"n_gpu_layers": n_gpu_layers, # -1 = все слои на GPU
|
||
"main_gpu": main_gpu,
|
||
"tensor_split": tensor_split,
|
||
"low_vram": False, # Отключаем для лучшей производительности, если достаточно памяти
|
||
"flash_attn": True # Включаем flash attention для ускорения
|
||
})
|
||
print(f"Используется GPU с {n_gpu_layers} слоями")
|
||
else:
|
||
print("Используется CPU")
|
||
|
||
self.llm = Llama(
|
||
model_path=model_path,
|
||
n_ctx=n_ctx,
|
||
n_threads=n_threads,
|
||
verbose=False,
|
||
**gpu_params
|
||
)
|
||
print("✅ Система готова к работе!")
|
||
|
||
def _load_corpus(self):
|
||
with open(self.corpus_path, "r", encoding="utf-8") as f:
|
||
data = json.load(f)
|
||
|
||
self.collection.add(
|
||
documents=[item["full"] for item in data],
|
||
metadatas=[{"short": item["short"]} for item in data],
|
||
ids=[f"id_{i}" for i in range(len(data))]
|
||
)
|
||
print(f"✅ Загружено {len(data)} записей.")
|
||
|
||
def count_tokens(self, text: str) -> int:
|
||
"""Подсчет токенов в тексте"""
|
||
if self.encoding:
|
||
return len(self.encoding.encode(text))
|
||
else:
|
||
return len(text) // 4
|
||
|
||
def build_prompt_with_token_management(self, short_note: str, max_context_tokens: int = 3000) -> Tuple[str, int]:
|
||
"""Строит промпт с управлением токенами"""
|
||
examples = self.retrieve(short_note)
|
||
|
||
system_msg = (
|
||
"На основе приведённых клинических примеров напиши развёрнуто жалобы пациента, грамотно с медицинской точки зрения. "
|
||
"Напиши жалобы в одно предложение, одной строкой. "
|
||
"Не пиши вводных слов и фраз. Только жалобы пациента. "
|
||
"Неуместно писать диагнозы и план лечения. "
|
||
"Расшифруй все сокращения. "
|
||
"Отвечай сразу без размышлений."
|
||
)
|
||
|
||
system_tokens = self.count_tokens(system_msg)
|
||
note_tokens = self.count_tokens(short_note)
|
||
|
||
available_tokens = max_context_tokens - system_tokens - note_tokens - 100
|
||
|
||
selected_examples = []
|
||
current_tokens = 0
|
||
|
||
for example in examples:
|
||
example_tokens = self.count_tokens(example)
|
||
if current_tokens + example_tokens <= available_tokens:
|
||
selected_examples.append(example)
|
||
current_tokens += example_tokens
|
||
else:
|
||
print("⛔️ RAG: Token limit exceeded.")
|
||
break
|
||
|
||
context = "\n\n".join([f"Пример: {ex}" for ex in selected_examples])
|
||
|
||
user_msg = f"""Примеры развёрнутых описаний:
|
||
{context}
|
||
|
||
Жалобы пациента: "{short_note}"
|
||
"""
|
||
|
||
prompt = (
|
||
f"<|im_start|>system\n{system_msg}<|im_end|>\n"
|
||
f"<|im_start|>user\n{user_msg}<|im_end|>\n"
|
||
"<|im_start|>assistant\n"
|
||
)
|
||
|
||
prompt_tokens = self.count_tokens(prompt)
|
||
return prompt, prompt_tokens
|
||
|
||
def retrieve(self, query: str, n: int = None) -> List[str]:
|
||
n = n or self.top_k
|
||
results = self.collection.query(query_texts=[query], n_results=n)
|
||
return results["documents"][0]
|
||
|
||
def generate(self, short_note: str) -> str:
|
||
prompt, prompt_tokens = self.build_prompt_with_token_management(short_note)
|
||
|
||
available_tokens = 4096 - prompt_tokens - 50
|
||
max_tokens = min(prompt_tokens * self.token_multiplier, available_tokens)
|
||
|
||
print(f"📊 Токены: промпт={prompt_tokens}, макс.ответ={max_tokens}")
|
||
print(f"⚡️ Устройство: {'GPU' if self.has_gpu else 'CPU'}")
|
||
|
||
output = self.llm(
|
||
prompt,
|
||
max_tokens=max_tokens,
|
||
temperature=0.1,
|
||
stop=["<|im_end|>"],
|
||
echo=False
|
||
)
|
||
|
||
result = output["choices"][0]["text"].strip()
|
||
return result
|
||
|
||
def __call__(self, short_note: str) -> str:
|
||
return self.generate(short_note)
|
||
|
||
|
||
# === Отключаем телеметрию Chroma ===
|
||
os.environ["CHROMA_TELEMETRY"] = "false"
|
||
|
||
import time
|
||
|
||
# === Запуск ===
|
||
if __name__ == "__main__":
|
||
rag = MedicalRAG(
|
||
model_path="./models/YandexGPT-5-Lite-8B-instruct-Q4_K_M.gguf",
|
||
n_ctx=8192,
|
||
n_gpu_layers=35, # Количество слоев для GPU (можно настроить)
|
||
use_gpu_for_embeddings=True
|
||
)
|
||
|
||
# Промты для тестирования
|
||
test_notes = [
|
||
"Кашель сухой, температура 38",
|
||
"А.д. 140, заложенность ушей, частичная потеря слуха",
|
||
"а.д. 140/80, т.36.6, ОСГО л. уха",
|
||
"ушные палочки 5 лет, снижение слуха 2 года"
|
||
]
|
||
|
||
for note in test_notes:
|
||
print(f"\n📥 Кратко: {note}")
|
||
t1 = time.time()
|
||
result = rag(note)
|
||
elapsed_time = time.time() - t1
|
||
print(f"⏱ Время выполнения: {elapsed_time:.2f} сек")
|
||
if result:
|
||
print(f"📤 Развёрнуто:\n{result}")
|
||
else:
|
||
print("❌ Пустой ответ от модели.")
|
||
print("─" * 60) |