dynamic seq2seq

dynamische-seq2seq

Willkommen, um meinem anderen Projekt zu folgen, einem chinesischen Chat-Roboter, der auf Pytorch und dem Beam Search-Algorithmus basiert.

seq2seq-Modell basierend auf chinesischem Korpus und dynamischem_rnn

---

Aktualisieren:

• Fehler bei der Verlustberechnung behoben
• Berechnungsfehler behoben, wenn „batch_size“ größer als 1 ist

Anforderungen

• Tensorflow-1.4+
• Python2.7 (noch nicht kompatibel mit Python3)
• Anfragen
• jieba
• cPickle
• Numpy

---

Google hat kürzlich ein seq2seq-Projekt als Open Source bereitgestellt: Google seq2seq
tensorflow hat „dynamic_rnn“ gestartet, um den ursprünglichen Bucket zu ersetzen. Dieses Projekt basiert auf dem seq2seq-Modell von „dynamic_rnn“.

Hier habe ich einige Konversationsvorhersagen erstellt. Theoretisch gilt: Je mehr Korpus, desto besser wird das Modell sein, daher werde ich sie hier nicht erklären.

Die Dialogmaterialien liegen in Q.txt A.txt im Datenverzeichnis und können durch eigene Dialogmaterialien ersetzt werden.

---

Verwendung:

 # 新增小黄鸡语料
# 添加
python prepare_dialog.py 5000


seq = Seq2seq()
# 训练
seq.train()
# 预测
seq.predict("天气")
# 重新训练
seq.retrain()

Wirkung:

 me >  天气
AI >  地点： 重庆
气温： 7
注意： 天气较凉，较易发生感冒，请适当增加衣服。体质较弱的朋友尤其应该注意防护。

Aktion:

Dieses Projekt verfügt über eine Aktionsunterstützung, und Sie können Ihre eigenen Funktionen anpassen. Die Unterstützung für mehrere Sitzungsrunden wird später hinzugefügt!

Registrieren Sie in der Datei action.py Ihr eigenes Aktions-Tag und die entsprechende Schnittstelle, wie zum Beispiel:

 #　注意：参数为固定参数
def act_weather(model, output_str, raw_input):
    #TODO: Get weather by api
    page = requests.get("http://wthrcdn.etouch.cn/weather_mini?city=重庆")
    data = page.json()
    temperature = data['data']['wendu']
    notice = data['data']['ganmao']
    outstrs = "地点： %sn气温： %sn注意： %s" % ("重庆", temperature.encode("utf-8"), notice.encode("utf-8"))
    return outstrs


actions = {
    "__Weather__":act_weather
}

Tipps: Die Parameter der Schnittstelle sind vorübergehend festgelegt und werden später aktualisiert.

Dabei ist der Ausbildungskorpus wie folgt aufgebaut:

 # Q.txt
天气
# A.txt
__Weather__