pyehr:pyehr是AI4S开源的医疗AI项目，基于Python 3.10和PyTorch 2.6.0构建，支持NPU加速。提供便捷的conda环境配置，可快速部署训练。内置数据集预处理工具，支持医疗时序数据建模，助力高效开展电子健康记录（EHR）相关研究与应用开发。【此简介由AI生成】

组件版本

hdk：25.0.RC1
cann：8.3.RC1
python：3.10
torch：2.6.0
torch-npu：2.6.0

拉取模型代码

git clone https://atomgit.com/AI4Science/pyehr.git
cd pyehr

环境准备

新建conda环境

conda create -n pyehr python==3.10 -y
conda activate pyehr

安装依赖

pip install -r requirements.txt

验证 PyTorch 与 torch_npu 安装执行以下命令检查安装是否成功：

python3 -c "import torch;import torch_npu; a = torch.randn(3, 4).npu(); print(a + a);"

若输出类似以下信息，说明安装成功：

tensor([[-0.6066,  6.3385,  0.0379,  3.3356],
        [ 2.9243,  3.3134, -1.5465,  0.1916],
        [-2.1807,  0.2008, -1.1431,  2.1523]], device='npu:0')

若报错，排查顺序：

set_env.sh 是否已 source
decorator 等运行时依赖是否安装
CANN 与 torch_npu 版本是否匹配

修改环境代码

/root/miniconda3/envs/pyehr/lib/python3.10/site-packages/lightning/fabric/accelerators/cuda.py文件的166行加上return True

流水优化

export CPU_AFFINITY_CONF=1
export TASK_QUEUE_ENABLE=2

下载数据集

cd datasets
wget https://static-content.springer.com/esm/art%3A10.1038%2Fs42256-020-0180-7/MediaObjects/42256_2020_180_MOESM3_ESM.zip
unzip 42256_2020_180_MOESM3_ESM.zip
cp time_series_* tjh/raw/
cd ..
python datasets/preprocess_tjh.py
# cdsl数据集需要在官网申请，这里只跑了tjh数据集
# 将dl.py中cdsl相关的删除即可，这里epoch只跑1轮

训练

python train.py

Docker镜像

已预置 Conda 运行环境、模型权重、pyehr 源码，开箱即用，可快速部署运行。

# 拉取镜像
sudo docker pull swr.cn-north-4.myhuaweicloud.com/ascend_ai4s/pyehr:v1

项目源码路径：/root/pyehr/
已配置好 Conda 虚拟环境：pyehr
已内置模型权重文件，无需额外下载

组件版本

hdk：25.0.RC1
cann：8.3.RC1
python：3.10
torch：2.6.0
torch-npu：2.6.0

拉取模型代码

git clone https://atomgit.com/AI4Science/pyehr.git
cd pyehr

环境准备

新建conda环境

conda create -n pyehr python==3.10 -y
conda activate pyehr

安装依赖

pip install -r requirements.txt

验证 PyTorch 与 torch_npu 安装执行以下命令检查安装是否成功：

python3 -c "import torch;import torch_npu; a = torch.randn(3, 4).npu(); print(a + a);"

若输出类似以下信息，说明安装成功：

tensor([[-0.6066,  6.3385,  0.0379,  3.3356],
        [ 2.9243,  3.3134, -1.5465,  0.1916],
        [-2.1807,  0.2008, -1.1431,  2.1523]], device='npu:0')

若报错，排查顺序：

set_env.sh 是否已 source
decorator 等运行时依赖是否安装
CANN 与 torch_npu 版本是否匹配

修改环境代码

/root/miniconda3/envs/pyehr/lib/python3.10/site-packages/lightning/fabric/accelerators/cuda.py文件的166行加上return True

流水优化

export CPU_AFFINITY_CONF=1
export TASK_QUEUE_ENABLE=2

下载数据集

cd datasets
wget https://static-content.springer.com/esm/art%3A10.1038%2Fs42256-020-0180-7/MediaObjects/42256_2020_180_MOESM3_ESM.zip
unzip 42256_2020_180_MOESM3_ESM.zip
cp time_series_* tjh/raw/
cd ..
python datasets/preprocess_tjh.py
# cdsl数据集需要在官网申请，这里只跑了tjh数据集
# 将dl.py中cdsl相关的删除即可，这里epoch只跑1轮

训练

python train.py

Docker镜像

已预置 Conda 运行环境、模型权重、pyehr 源码，开箱即用，可快速部署运行。

# 拉取镜像
sudo docker pull swr.cn-north-4.myhuaweicloud.com/ascend_ai4s/pyehr:v1

项目源码路径：/root/pyehr/
已配置好 Conda 虚拟环境：pyehr
已内置模型权重文件，无需额外下载