龙岗网站制作效果,微信网站制作企业,wordpress 内容布局,成都网站建设scjsc888本文以报时机器人为载体#xff0c;介绍了报时机器人的对话能力范围、配置文件功能和训练和运行命令#xff0c;重点介绍了rasa shell命令启动后的程序执行过程。
一.报时机器人项目结构 1.对话能力范围
(1)能够识别欢迎语意图(greet)和拜拜意图(goodbye) (2)能够识别时间意… 本文以报时机器人为载体介绍了报时机器人的对话能力范围、配置文件功能和训练和运行命令重点介绍了rasa shell命令启动后的程序执行过程。
一.报时机器人项目结构 1.对话能力范围
(1)能够识别欢迎语意图(greet)和拜拜意图(goodbye) (2)能够识别时间意图(query_time) (3)能够识别日期意图(query_date) (4)能够识别星期几意图(query_weekday)
2.配置文件功能
(1)nlu.yml主要包含意图、例子、对实体的标注等。 (2)stories.yml文件用户和机器人之间对话的表示用户输入意图机器人响应action。 (3)actions.py自定义的action比如action_query_time、action_query_date、action_query_weekday。 (4)config.yml主要包含nlu(分词、特征提取和分类等)和dialog policy(记忆、规则、机器学习等)。 (5)domain.yml主要包含意图、视图、槽位、响应、动作等。 (6)credentials.yml主要和其它对话平台集成比如facebook、slack等。 (7)endpoints.ymlaction_endpoint(调用自定义action)、tracker_store对话存储(内存、redis、mongodb等)、event_broker消息队列(RabbitMQ、Kafka等)。
3.训练和运行命令
(1)训练模型 使用NLU数据和stories训练模型模型保存在./models中。
rasa train说明关于如何把数据集按照比例拆分为训练集和测试集在训练集上训练模型在测试集上测试模型可以参考《聊天机器人框架Rasa资源整理》。 (2)启动action服务器 使用Rasa SDK开启action服务器。
rasa run actions(3)启动rasa服务器和客户端 通过命令行的方式加载训练模型然后同聊天机器人进行对话。
rasa shell二.rasa shell执行流程分析 整体思路是通过rasa shell加载和解析模型通过消息处理的方式建立起用户(客户端)和聊天机器人(rasa服务)对话的桥梁。
1.rasa/cli/shell.py文件 在rasa/cli/shell.py文件中def shell(args: argparse.Namespace) - None函数如下
2.rasa/cli/run.py文件 在rasa/cli/run.py文件中def run(args: argparse.Namespace) - None函数如下
3.rasa/api.py文件 在rasa/api.py文件中def run(...) - None函数如下 在run()函数中调用serve_application()函数如下
4.rasa/core/run.py文件 在rasa/core/run.py文件中serve_application()函数如下 在serve_application()函数中启动了一个基于Sanic的Web服务器通过configure_app()方法构建了app然后通过run()方法启动如下所示
app configure_app(input_channels,cors,auth_token,enable_api,response_timeout,jwt_secret,jwt_method,portport,endpointsendpoints,log_filelog_file,conversation_idconversation_id,use_sysloguse_syslog,syslog_addresssyslog_address,syslog_portsyslog_port,syslog_protocolsyslog_protocol,request_timeoutrequest_timeout,)
......
app.run(hostinterface,portport,sslssl_context,backlogint(os.environ.get(ENV_SANIC_BACKLOG, 100)),workersnumber_of_workers,)通过register_listener(listener, event)注册给定事件的侦听器
app.register_listener(partial(load_agent_on_start, model_path, endpoints, remote_storage), before_server_start,)
app.register_listener(close_resources, after_server_stop)5.rasa/core/agent.py文件 通过load_agent_on_start()方法加载一个agent。在rasa/core/agent.py文件中load_agent()函数如下所示 在load_agent()函数中加载模型代码是agent.load_model(model_path)。在Agent类的def load_model()方法中关于初始化MessageProcessor代码如下
self.processor MessageProcessor(model_pathmodel_path,tracker_storeself.tracker_store,lock_storeself.lock_store,action_endpointself.action_endpoint,generatorself.nlg,http_interpreterself.http_interpreter,
)加载模型的代码如下
logger.info(fLoading model {model_tar}...)
with tempfile.TemporaryDirectory() as temporary_directory:try:metadata, runner loader.load_predict_graph_runner(Path(temporary_directory),Path(model_tar),LocalModelStorage,DaskGraphRunner,)return os.path.basename(model_tar), metadata, runnerexcept tarfile.ReadError:raise ModelNotFound(fModel {model_path} can not be loaded.)6.rasa/engine/loader.py文件 在rasa/engine/loader.py文件中def load_predict_graph_runner()函数如下
三.遇到的问题和说明
1.如何用PyCharm调试Rasa项目
解析一种是基于Script path的调试方法一种是基于Module name的调试方法。这里介绍前者如下所示 (1)Script Path安装rasa类库的__main__.py文件路径。 (2)Parametersrasa的各种cli比如train、test、shell等。 (3)Working directory安装rasa类库的根目录。 说明因为rasa类库依赖类库太多导致系统环境混乱所示建议使用虚拟环境进行rasa类库安装。
2.NoConsoleScreenBufferError
解析exceptionNoConsoleScreenBufferError(‘No Windows console found. Are you running cmd.exe?’)
3.模型20220915-081548-honest-yield.tar.gz
解析由metadata.json文件和components文件夹组成后者和config.yml内容密切相关如下所示
4.Sanic框架
解析Sanic是一个高性能异步的Web框架。
5.asyncio库
解析它的编程模型是一个消息循环关键字涉及event_loop、coroutine、task、future、async/await等。 本文只是简要的介绍了rasa shell命令启动后的程序执行过程但是对于加载模型后如何解析模型构建图以及用户输入后消息如何通过模型(nlu和dialog policy)得到输出并没有介绍后面写篇文章专门介绍。
参考文献 [1]Rasa实战构建开源对话机器人 [2]Sanic官方文档https://www.osgeo.cn/sanic/ [3]asyncio库异步I/Ohttps://docs.python.org/3.7/library/asyncio.html [4]聊天机器人框架Rasa资源整理
