Create model.py

model.py

@@ -0,0 +1,50 @@
+import os
+import torch
+from transformers import AutoTokenizer, AutoModelForCausalLM
+
+# ✅ ตั้งค่าโมเดล
+MODEL_NAME = "deepseek-ai/deepseek-llm-7b-chat"
+MODEL_DIR = "./deepseek_model"
+
+# ✅ ตรวจสอบและสร้างโฟลเดอร์เก็บโมเดลหากยังไม่มี
+if not os.path.exists(MODEL_DIR):
+    os.makedirs(MODEL_DIR)
+
+# ✅ โหลด Tokenizer และ Model พร้อมใช้ Half Precision (FP16)
+tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, cache_dir=MODEL_DIR)
+model = AutoModelForCausalLM.from_pretrained(
+    MODEL_NAME,
+    torch_dtype=torch.float16,  # Half Precision ลดการใช้ RAM
+    device_map="auto",
+    offload_folder=MODEL_DIR  # Offload โมเดลบางส่วนไปที่ disk ลดการใช้ RAM
+)
+
+def classify_esi(symptoms):
+    """
+    วิเคราะห์ระดับ ESI ตามอาการของผู้ป่วย
+    """
+    prompt = (
+        "คุณเป็นแพทย์เวชศาสตร์ฉุกเฉินที่ต้องประเมินระดับ Emergency Severity Index (ESI) ตามอาการของผู้ป่วย:\n"
+        "- ESI 1: ต้องช่วยชีวิตทันที เช่น หัวใจหยุดเต้น, หยุดหายใจ, ภาวะช็อก\n"
+        "- ESI 2: มีภาวะเสี่ยงสูง เช่น สับสน หมดสติ อาการกำเริบรุนแรง\n"
+        "- ESI 3: ต้องใช้ทรัพยากรหลายอย่าง เช่น ตรวจเลือด เอกซเรย์\n"
+        "- ESI 4: ใช้ทรัพยากรทางการแพทย์เพียงอย่างเดียว เช่น ทำแผล เย็บแผล\n"
+        "- ESI 5: ไม่ต้องใช้ทรัพยากรทางการแพทย์ เช่น เป็นหวัด แผลถลอก\n\n"
+        f"อาการของผู้ป่วย: {symptoms}\n\n"
+        "กรุณาประเมินระดับ ESI ที่เหมาะสมและตอบกลับเป็นตัวเลข 1-5 เท่านั้น หากข้อมูลไม่เพียงพอให้ตอบ 'ไม่สามารถประเมินได้'"
+    )
+
+    device = "cuda" if torch.cuda.is_available() else "cpu"
+    inputs = tokenizer(prompt, return_tensors="pt").to(device)
+
+    with torch.no_grad():
+        outputs = model.generate(**inputs, max_new_tokens=10)
+
+    response = tokenizer.decode(outputs[0], skip_special_tokens=True).strip()
+
+    # ✅ ตรวจสอบการตอบกลับของโมเดล
+    for esi in ["1", "2", "3", "4", "5"]:
+        if esi in response:
+            return int(esi)
+
+    return "ไม่สามารถประเมินได้"  # หากโมเดลตอบกลับไม่ใช่ตัวเลข 1-5