聊天机器人（ChatRobot）的概念我们并不陌生，也许你曾经在百无聊赖之下和Siri打情骂俏过，亦或是闲暇之余与小爱同学谈笑风生，无论如何，我们都得承认，人工智能已经深入了我们的生活。目前市面上提供三方api的机器人不胜枚举：微软小冰、图灵机器人、腾讯闲聊、青云客机器人等等，只要我们想，就随时可以在app端或者web应用上进行接入。但是，这些应用的底层到底如何实现的？在没有网络接入的情况下，我们能不能像美剧《西部世界》（Westworld）里面描绘的那样，机器人只需要存储在本地的心智球就可以和人类沟通交流，如果你不仅仅满足于当一个调包侠，请跟随我们的旅程，本次我们将首度使用深度学习库KerasTensorFlow打造属于自己的本地聊天机器人，不依赖任何三方接口与网络。 首先安装相关依赖：pip3installTensorflowpip3installKeraspip3installnltkpip3installpandas 然后撰写脚本testbot。py导入需要的库：importnltkimportsslfromnltk。stem。lancasterimportLancasterStemmerstemmerLancasterStemmer（）importnumpyasnpfromkeras。modelsimportSequentialfromkeras。layersimportDense，Activation，Dropoutfromkeras。optimizersimportSGDimportpandasaspdimportpickleimportrandom 这里有一个坑，就是自然语言分析库NLTK会报一个错误：Resourcepunktnotfound 正常情况下，只要加上一行下载器代码即可importnltknltk。download（punkt） 但是由于学术上网的原因，很难通过python下载器正常下载，所以我们玩一次曲线救国，手动自己下载压缩包：https：raw。githubusercontent。comnltknltkdataghpagespackagestokenizerspunkt。zip 解压之后，放在你的用户目录下即可：C：Usersliuyueokenizersltkdatapunkt ok，言归正传，开发聊天机器人所面对的最主要挑战是对用户输入信息进行分类，以及能够识别人类的正确意图（这个可以用机器学习解决，但是太复杂，我偷懒了，所以用的深度学习Keras）。第二就是怎样保持语境，也就是分析和跟踪上下文，通常情况下，我们不太需要对用户意图进行分类，只需要把用户输入的信息当作聊天机器人问题的答案即可，所这里我们使用Keras深度学习库用于构建分类模型。 聊天机器人的意向和需要学习的模式都定义在一个简单的变量中。不需要动辄上T的语料库。我们知道如果玩机器人的，手里没有语料库，就会被人嘲笑，但是我们的目标只是为某一个特定的语境建立一个特定聊天机器人。所以分类模型作为小词汇量创建，它仅仅将能够识别为训练提供的一小组模式。 说白了就是，所谓的机器学习，就是你重复的教机器做某一件或几件正确的事情，在训练中，你不停的演示怎么做是正确的，然后期望机器在学习中能够举一反三，只不过这次我们不教它很多事情，只一件，用来测试它的反应而已，是不是有点像你在家里训练你的宠物狗？只不过狗子可没法和你聊天。 这里的意向数据变量我就简单举个例子，如果愿意，你可以用语料库对变量进行无限扩充：intents｛intents：〔｛tag：打招呼，patterns：〔你好，您好，请问，有人吗，师傅，不好意思，美女，帅哥，靓妹，hi〕，responses：〔您好，又是您啊，吃了么您内，您有事吗〕，context：〔〕｝，｛tag：告别，patterns：〔再见，拜拜，88，回见，回头见〕，responses：〔再见，一路顺风，下次见，拜拜了您内〕，context：〔〕｝，〕｝ 可以看到，我插入了两个语境标签，打招呼和告别，包括用户输入信息以及机器回应数据。 在开始分类模型训练之前，我们需要先建立词汇。模式经过处理后建立词汇库。每一个词都会有词干产生通用词根，这将有助于能够匹配更多用户输入的组合。forintentinintents〔intents〕：forpatterninintent〔patterns〕：tokenizeeachwordinthesentencewnltk。wordtokenize（pattern）addtoourwordslistwords。extend（w）addtodocumentsinourcorpusdocuments。append（（w，intent〔tag〕））addtoourclasseslistifintent〔tag〕notinclasses：classes。append（intent〔tag〕）words〔stemmer。stem（w。lower（））forwinwordsifwnotinignorewords〕wordssorted（list（set（words）））classessorted（list（set（classes）））print（len（classes），语境，classes）print（len（words），词数，words） 输出：2语境〔告别，打招呼〕14词数〔88，不好意思，你好，再见，回头见，回见，帅哥，师傅，您好，拜拜，有人吗，美女，请问，靓妹〕 训练不会根据词汇来分析，因为词汇对于机器来说是没有任何意义的，这也是很多中文分词库所陷入的误区，其实机器并不理解你输入的到底是英文还是中文，我们只需要将单词或者中文转化为包含01的数组的词袋。数组长度将等于词汇量大小，当当前模式中的一个单词或词汇位于给定位置时，将设置为1。createourtrainingdatatraining〔〕createanemptyarrayforouroutputoutputempty〔0〕len（classes）trainingset，bagofwordsforeachsentencefordocindocuments：initializeourbagofwordsbag〔〕patternwordsdoc〔0〕patternwords〔stemmer。stem（word。lower（））forwordinpatternwords〕forwinwords：bag。append（1）ifwinpatternwordselsebag。append（0）outputrowlist（outputempty）outputrow〔classes。index（doc〔1〕）〕1training。append（〔bag，outputrow〕）random。shuffle（training）trainingnp。array（training）trainxlist（training〔：，0〕）trainylist（training〔：，1〕） 我们开始进行数据训练，模型是用Keras建立的，基于三层。由于数据基数小，分类输出将是多类数组，这将有助于识别编码意图。使用softmax激活来产生多类分类输出（结果返回一个01的数组：〔1，0，0，。。。，0〕这个数组可以识别编码意图）。modelSequential（）model。add（Dense（128，inputshape（len（trainx〔0〕），），activationrelu））model。add（Dropout（0。5））model。add（Dense（64，activationrelu））model。add（Dropout（0。5））model。add（Dense（len（trainy〔0〕），activationsoftmax））sgdSGD（lr0。01，decay1e6，momentum0。9，nesterovTrue）model。compile（losscategoricalcrossentropy，optimizersgd，metrics〔accuracy〕）model。fit（np。array（trainx），np。array（trainy），epochs200，batchsize5，verbose1） 这块是以200次迭代的方式执行训练，批处理量为5个，因为我的测试数据样本小，所以100次也可以，这不是重点。 开始训练：1414〔〕0s32mssteploss：0。7305acc：0。5000Epoch22001414〔〕0s391ussteploss：0。7458acc：0。4286Epoch32001414〔〕0s390ussteploss：0。7086acc：0。3571Epoch42001414〔〕0s395ussteploss：0。6941acc：0。6429Epoch52001414〔〕0s426ussteploss：0。6358acc：0。7143Epoch62001414〔〕0s356ussteploss：0。6287acc：0。5714Epoch72001414〔〕0s366ussteploss：0。6457acc：0。6429Epoch82001414〔〕0s899ussteploss：0。6336acc：0。6429Epoch92001414〔〕0s464ussteploss：0。5815acc：0。6429Epoch102001414〔〕0s408ussteploss：0。5895acc：0。6429Epoch112001414〔〕0s548ussteploss：0。6050acc：0。6429Epoch122001414〔〕0s468ussteploss：0。6254acc：0。6429Epoch132001414〔〕0s388ussteploss：0。4990acc：0。7857Epoch142001414〔〕0s392ussteploss：0。5880acc：0。7143Epoch152001414〔〕0s370ussteploss：0。5118acc：0。8571Epoch162001414〔〕0s457ussteploss：0。5579acc：0。7143Epoch172001414〔〕0s432ussteploss：0。4535acc：0。7857Epoch182001414〔〕0s357ussteploss：0。4367acc：0。7857Epoch192001414〔〕0s384ussteploss：0。4751acc：0。7857Epoch202001414〔〕0s346ussteploss：0。4404acc：0。9286Epoch212001414〔〕0s500ussteploss：0。4325acc：0。8571Epoch222001414〔〕0s400ussteploss：0。4104acc：0。9286Epoch232001414〔〕0s738ussteploss：0。4296acc：0。7857Epoch242001414〔〕0s387ussteploss：0。3706acc：0。9286Epoch252001414〔〕0s430ussteploss：0。4213acc：0。8571Epoch262001414〔〕0s351ussteploss：0。2867acc：1。0000Epoch272001414〔〕0s3mssteploss：0。2903acc：1。0000Epoch282001414〔〕0s366ussteploss：0。3010acc：0。9286Epoch292001414〔〕0s404ussteploss：0。2466acc：0。9286Epoch302001414〔〕0s428ussteploss：0。3035acc：0。7857Epoch312001414〔〕0s407ussteploss：0。2075acc：1。0000Epoch322001414〔〕0s457ussteploss：0。2167acc：0。9286Epoch332001414〔〕0s613ussteploss：0。1266acc：1。0000Epoch342001414〔〕0s534ussteploss：0。2906acc：0。9286Epoch352001414〔〕0s463ussteploss：0。2560acc：0。9286Epoch362001414〔〕0s500ussteploss：0。1686acc：1。0000Epoch372001414〔〕0s387ussteploss：0。0922acc：1。0000Epoch382001414〔〕0s430ussteploss：0。1620acc：1。0000Epoch392001414〔〕0s371ussteploss：0。1104acc：1。0000Epoch402001414〔〕0s488ussteploss：0。1330acc：1。0000Epoch412001414〔〕0s381ussteploss：0。1322acc：1。0000Epoch422001414〔〕0s462ussteploss：0。0575acc：1。0000Epoch432001414〔〕0s1mssteploss：0。1137acc：1。0000Epoch442001414〔〕0s450ussteploss：0。0245acc：1。0000Epoch452001414〔〕0s470ussteploss：0。1824acc：1。0000Epoch462001414〔〕0s444ussteploss：0。0822acc：1。0000Epoch472001414〔〕0s436ussteploss：0。0939acc：1。0000Epoch482001414〔〕0s396ussteploss：0。0288acc：1。0000Epoch492001414〔〕0s580ussteploss：0。1367acc：0。9286Epoch502001414〔〕0s351ussteploss：0。0363acc：1。0000Epoch512001414〔〕0s379ussteploss：0。0272acc：1。0000Epoch522001414〔〕0s358ussteploss：0。0712acc：1。0000Epoch532001414〔〕0s4mssteploss：0。0426acc：1。0000Epoch542001414〔〕0s370ussteploss：0。0430acc：1。0000Epoch552001414〔〕0s368ussteploss：0。0292acc：1。0000Epoch562001414〔〕0s494ussteploss：0。0777acc：1。0000Epoch572001414〔〕0s356ussteploss：0。0496acc：1。0000Epoch582001414〔〕0s427ussteploss：0。1485acc：1。0000Epoch592001414〔〕0s381ussteploss：0。1006acc：1。0000Epoch602001414〔〕0s421ussteploss：0。0183acc：1。0000Epoch612001414〔〕0s344ussteploss：0。0788acc：0。9286Epoch622001414〔〕0s529ussteploss：0。0176acc：1。0000 ok，200次之后，现在模型已经训练好了，现在声明一个方法用来进行词袋转换：defcleanupsentence（sentence）：tokenizethepatternsplitwordsintoarraysentencewordsnltk。wordtokenize（sentence）stemeachwordcreateshortformforwordsentencewords〔stemmer。stem（word。lower（））forwordinsentencewords〕returnsentencewordsdefbow（sentence，words，showdetailsTrue）：tokenizethepatternsentencewordscleanupsentence（sentence）bagofwordsmatrixofNwords，vocabularymatrixbag〔0〕len（words）forsinsentencewords：fori，winenumerate（words）：ifws：assign1ifcurrentwordisinthevocabularypositionbag〔i〕1ifshowdetails：print（foundinbag：sw）return（np。array（bag）） 测试一下，看看是否可以命中词袋：pbow（你好，words）print（p） 返回值：foundinbag：你好〔00100000000000〕 很明显匹配成功，词已入袋。 在我们打包模型之前，可以使用model。predict函数对用户输入进行分类测试，并根据计算出的概率返回用户意图（可以返回多个意图，根据概率倒序输出）：defclassifylocal（sentence）：ERRORTHRESHOLD0。25generateprobabilitiesfromthemodelinputdatapd。DataFrame（〔bow（sentence，words）〕，dtypefloat，index〔input〕）resultsmodel。predict（〔inputdata〕）〔0〕filteroutpredictionsbelowathreshold，andprovideintentindexresults〔〔i，r〕fori，rinenumerate（results）ifrERRORTHRESHOLD〕sortbystrengthofprobabilityresults。sort（keylambdax：x〔1〕，reverseTrue）returnlist〔〕forrinresults：returnlist。append（（classes〔r〔0〕〕，str（r〔1〕）））returntupleofintentandprobabilityreturnreturnlist 测试一下：print（classifylocal（您好）） 返回值：foundinbag：您好〔（打招呼，0。999913）〕liuyue：mytornadoliuyue 再测：print（classifylocal（88）） 返回值：foundinbag：88〔（告别，0。9995449）〕 完美，匹配出打招呼的语境标签，如果愿意，可以多测试几个，完善模型。 测试完成之后，我们可以将训练好的模型打包，这样每次调用之前就不用训练了：model。save（。v3u。h5） 这里分类模型会在根目录产出，文件名为v3u。h5，将它保存好，一会儿会用到。 接下来，我们来搭建一个聊天机器人的API，这里我们使用目前非常火的框架Fastapi，将模型文件放入到项目的目录之后，编写main。py：importrandomimportuvicornfromfastapiimportFastAPIappFastAPI（）defclassifylocal（sentence）：ERRORTHRESHOLD0。25generateprobabilitiesfromthemodelinputdatapd。DataFrame（〔bow（sentence，words）〕，dtypefloat，index〔input〕）resultsmodel。predict（〔inputdata〕）〔0〕filteroutpredictionsbelowathreshold，andprovideintentindexresults〔〔i，r〕fori，rinenumerate（results）ifrERRORTHRESHOLD〕sortbystrengthofprobabilityresults。sort（keylambdax：x〔1〕，reverseTrue）returnlist〔〕forrinresults：returnlist。append（（classes〔r〔0〕〕，str（r〔1〕）））returntupleofintentandprobabilityreturnreturnlistapp。get（）asyncdefroot（word：strNone）：fromkeras。modelsimportmodelfromjson，loadmodelmodelloadmodel（。v3u。h5）wordlistclassifylocal（word）aforintentinintents〔intents〕：ifintent〔tag〕wordlist〔0〕〔0〕：arandom。choice（intent〔responses〕）return｛message：a｝ifnamemain：uvicorn。run（app，host127。0。0。1，port8000） 这里的：fromkeras。modelsimportmodelfromjson，loadmodelmodelloadmodel（。v3u。h5） 用来导入刚才训练好的模型库，随后启动服务：uvicornmain：appreload 效果是这样的： 结语：毫无疑问，科技改变生活，聊天机器人可以让我们没有佳人相伴的情况下，也可以听闻莺啼燕语，相信不久的将来，笑语盈盈、衣香鬓影的机械姬亦能伴吾等于清风明月之下。
伊能静儿子哈利再扮女装！穿10厘米恨天高，比女人还妖娆近日，伊能静和庾澄庆的儿子哈利在社交平台上更新了自己最新的动态，还是那个熟悉的风范，哈利也是再一次男扮女装，展现了他独特的审美，不得不说她的女装比一般的女性还要妩媚，但是也因为女装鑫玺传世增额终身寿险，真实收益率测算题记每款保险都有坑，但坑有大小之分，京哥帮你取舍。一理念增额终身寿险定位于10年以上的长期投资，产品利益在保险合同中锁定，在超长期无风险的金融产品中，增额终身寿险的收益基本无可匹敌秀智的公主切，给我的韩漫DNA切动了我们从裴秀智东京Vlog里的公主切发型说起。图源来自新浪微博HeyLookHere相比于之前的中分发型八字刘海韩式空气刘海，这次的公主切发型要更引人注目。图源来自新浪微博裴秀智居酒清末真实照片行走在田间的女乞丐，衣食无忧的官老爷照片中这位夫人就是大户人家明媒正娶的，而她身边那位老妇人则是她的奶娘，从小照料她，因此也陪她嫁过来了，能看得出这位夫人视奶娘为亲娘，极其信任她。正骑着毛驴的这位女子，从衣着打扮来看新车新款特斯拉ModelSModelX进驻进博会展馆，将迎国内首秀文懂车帝原创曹浩懂车帝原创产品2022中国国际进口博览会将于11月5日正式开幕，而在开展前夕，我们从国内社交媒体获取到了一组特斯拉新款ModelSPlaid和新款ModelXPla双11先涨后降，专家称应赔偿3倍从光棍节到全民参与的消费狂欢日，从最初的27个商家到现在来自全球各地的29万个品牌，互联网电商一路高歌猛进，其规模与影响力不断扩大，连续创造了13年神话。然而，随着消费者生活水平的美得无以目视的狼女，成为历史上祸灭大夏的第一红颜祸水在传说或正史的背面，妹喜被说成是狼女或是妖精转世。贪淫好色的夏桀穷全国之力，为其建寝宫造瑶台筑酒池，致诸侯反叛，民怨沸腾，给汤煽动夏之诸侯方国人民以及贵族反叛瓦解大夏创造了绝好时机房价下跌，将引起严重后果，这专家是疯了吧？11月财经新势力房价不可能下跌，也没有下跌的必要。房价下跌，将引起严重的后果！房价越低，老百姓的压力会越来越大。某知名财经专家说网上看到一个知名财经专家说，房产市场没有杠杆，如果房广州地铁8号线旁边的免费景点，虽然历史悠久，却鲜有游客探访头条创作挑战赛荔湾越秀是广州市的文化大本营，很多历史景点分布在这里，不过绝大多数景点虽然免费开放，知名度却不高，很多人即使从旁边经过，也没有想过进去看看，位于地铁8号线华林寺站旁边北欧最神秘的民族万年历史却不知来历，始终在北极圈里游牧拉普兰人是北欧最神秘的民族，苏联科学家早就通过碳14测年法，得出拉普拉人的历史超过一万年，但研究至今仍然找不到这个民族的祖先，也不知道他们具体来自哪里，仅统计出总人数约7。5万，近月子期怎么吃最下奶？听听专家这样说新妈妈们最关心的问题大概就是喂奶了，奶水要足，还要有营养。那月子餐到底怎么吃，既能保证奶水充足有营养，又不用担心发胖呢？下面我们就来聊一聊。饮食清淡宜少盐产后第1周，往往都比较累，