tensorflow 챗봇 예제

Tempo de leitura: menos de 1 minuto

0 Flares Filament.io 0 Flares ×

이 문서에서는 챗봇을 학습하는 데 사용할 것입니다. 보다 정확하게는 NMT(신경기계 번역)에 대해 다음 자습서를 사용합니다. NMT 모델이 챗봇에 어떻게 사용될 수 있는지 궁금한 경우 이전 기사(“반복 신경망에 기반한 자체 챗봇 6$/6시간 및 ~100줄의 코드”)을 참조하십시오. 분류 부분을 구현하는 방법을 설명했습니다. 게시물의 시작 부분에 참조 된 GitHub 리포지토리에서 컨텍스트를 유지 하는 방법에 대 한 전체 예제를 찾을 수 있습니다. 컨텍스트는 JavaScript로 작성되고 Node.js 백 엔드에서 실행되는 논리에 의해 유지됩니다. 컨텍스트 흐름은 의도가 분류되고 백 엔드 논리가 컨텍스트의 시작을 찾는 즉시 의도 목록에 정의되어야 합니다. 컨텍스트 처리의 고급 방식은 백 엔드 구현에 따라 달라집니다(이 단계는 기계 학습 범위를 벗어납니다). 데이터가 섞여 있습니다. Tensorflow는 이 중 일부를 테스트 데이터로 사용하여 새로 장착된 모델의 정확도를 측정합니다.

당신이 생각하는 것처럼 자신의 챗봇 (또는 조수,이 단어는 챗봇에 대한 새로운 유행 용어)를 구축하는 복잡하지 않습니다. 다양한 챗봇 플랫폼은 분류 모델을 사용하여 사용자 의도를 인식하고 있습니다. 물론 기존 플랫폼 위에 챗봇을 구축할 때 강력한 헤드업을 얻을 수 있지만 배경 개념을 연구하고 직접 구축하려고 노력하는 것은 결코 아프지 않습니다. 왜 자신을 유사한 모델을 사용하지. 챗봇 구현의 주요 과제는 이 시점에서 챗봇을 테스트할 준비가 된 것입니다. test_translator.py와 동일한 코드로 챗봇을 테스트할 수 있지만, 여기에서는 챗봇을 API를 사용하여 서비스로 노출할 수 있는 보다 정교한 솔루션을 수행하려고 합니다. 텐서플로우를 신비화해야 하는 경우 프라이머에 대해 “7줄의 딥 러닝”을 살펴보거나 여기에서 살펴보십시오. 처음에는 사전을 로드하고 역 사전을 준비합니다. 그런 다음 병 API를 사용하여 HTTP GET 끝점(/api URL 아래)을 만듭니다. 경로 데코레이터는 HTTP GET을 통해 끝점에 연결될 때 실행되는 함수를 설정하고 보강합니다. 이 경우 api() 함수가 실행되어 먼저 HTTP 매개 변수로 전달된 문장을 읽고 위에서 설명한 prepare_문장 함수를 호출하고 마지막으로 디코딩 단계를 실행합니다. 반환되는 것은 사용자가 제공한 입력 문장과 챗봇의 회신을 모두 포함하는 사전입니다.

이 코드는 토큰화된 연속 발언 두 개의 예와 220,000개 이상의 데이터 집합의 예제 를 인쇄합니다. 챗봇 프레임워크는 의도 패턴이 변경되지 않는 한 모델을 다시 빌드할 필요가 없습니다. 수백 개의 의도와 수천 개의 패턴을 사용하여 모델을 빌드하는 데 몇 분 정도 걸릴 수 있습니다. 분류 예제를 살펴보면 가장 가능성이 높은 태그와 확률이 반환됩니다. CURL을 사용하면 URL 요청을 인코딩하는 간단한 방법을 사용하여 작업을 더 쉽게 수행할 수 있습니다. 다음은 몇 가지 예입니다: 이 문서에서는 코넬 대학의 영화 대화 코퍼스의 대화를 사용하여 간단한 챗봇을 구축할 것입니다. 코드는 파이썬으로 작성되며 TensorFlow를 사용하여 모델의 대부분을 빌드합니다. 두 번째 유형의 챗봇은 더 진보되고 스마트하지만 더 복잡합니다. 이를 위해 동일한 방식으로 컴퓨터 번역이 수행되는 RNN을 사용하여 답변을 빌드합니다.

Os comentários foram encerrados, mas trackbacks e pingbacks estão abertos.