dynamic seq2seq

dynamique-seq2seq

Bienvenue pour suivre mon autre projet, un robot de chat chinois basé sur l'algorithme Pytorch et Beam Search.

modèle seq2seq basé sur un corpus chinois et Dynamic_rnn

---

Mise à jour:

• Correction d'un bug de calcul des pertes
• Correction d'un bug de calcul lorsque batch_size est supérieur à 1

Exigences

• tensorflow-1.4+
• python2.7 (pas encore compatible avec python3)
• demandes
• jieba
• ccornichon
• numpy

---

Google a récemment open source un projet seq2seq google seq2seq
tensorflow a lancé Dynamic_rnn pour remplacer le bucket d'origine. Ce projet est basé sur le modèle seq2seq de Dynamic_rnn.

Ici, j'ai construit quelques prédictions de conversation. Le corpus chinois lui-même est relativement rare, plus il y a de corpus, meilleur est le modèle. Cependant, de nombreux nouveaux problèmes seront rencontrés, je ne les expliquerai donc pas ici.

Les supports de dialogue se trouvent dans Q.txt A.txt dans le répertoire de données et peuvent être remplacés par vos propres supports de dialogue.

---

usage:

 # 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()

Effet:

 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。

Action:

Ce projet a ajouté la prise en charge d'Action, et vous pouvez personnaliser vos propres fonctions. La prise en charge de plusieurs séries de sessions sera ajoutée plus tard !

Dans le fichier action.py, enregistrez votre propre balise d'action et l'interface correspondante, telle que :

 #　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
}

Astuces : Les paramètres de l'interface sont temporairement corrigés et seront mis à jour ultérieurement.

Parallèlement, le corpus de formation est conçu comme suit :

 # Q.txt
天气
# A.txt
__Weather__