请留意，我们的数据次序已经被打乱了。 TensorFlow 会拔取个中的一些数据作为测试数据，用来测试练习的模型的精确度。
如不雅我们不雅察单个的 x 向量和 y 向量，那么这就是一个词袋模型，一个表示须要匹配的模式，一个表示匹配的目标。
train_x example: [0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1] train_y example: [0, 0, 1, 0, 0, 0, 0, 0, 0]
接下来，我们来构建我们的模型。
# reset underlying graph datatf.reset_default_graph()# Build neural networknet = tflearn.input_data(shape=[None, len(train_x[0])])net = tflearn.fully_connected(net, 8)net = tflearn.fully_connected(net, 8)net = tflearn.fully_connected(net, len(train_y[0]), activation='softmax')net = tflearn.regression(net)# Define model and setup tensorboardmodel = tflearn.DNN(net, tensorboard_dir='tflearn_logs')# Start training (apply gradient descent algorithm)model.fit(train_x, train_y, n_epoch=1000, batch_size=8, show_metric=True)model.save('model.tflearn')这个模型应用的是 2 层神经收集模型，跟这篇文┞仿中的是一样的。
我们完成了这部分的工作，如今须要保存我们的模型和文档， 以便在后续的代码中可以应用它们。
# save all of our data structuresimport picklepickle.dump( {'words':words, 'classes':classes, 'train_x':train_x, 'train_y':train_y}, open( "training_data", "wb" ) )
构建我们的聊天机械人框架
我们将构建一个简单的状况机来处理响应，并且应用我们的在上一部分中提到的意图模型来作为我们的分类器。如不雅你想懂得聊天机械人的工作道理，那么可以点击这里。
我们须要导入和上一部分雷同的包，然后 un-pickle 我们的模型和句子，正如我们在上一部分中操作的。请记住，我们的聊天机械人框架与我们的模型是分开构建的 —— 除非意图模式改变了，那么我们须要从新运行我们的模型，不然不须要重构模型。如不雅拥稀有百种意图和数千种模式，模许可能须要几分钟的时光才能构建完成。
classify('is your shop open today?')[('opentoday', 0.9264171123504639)]# restore all of our data structuresimport pickledata = http://ai.51cto.com/art/201706/pickle.load( open( "training_data", "rb" ) )words = data['words']classes = data['classes']train_x = data['train_x']train_y = data['train_y']# import our chat-bot intents fileimport jsonwith open('intents.json') as json_data: intents = json.load(json_data)# load our saved modelmodel.load('./model.tflearn')在我们开端处理对话意图之前，我们须要一种大年夜用户输入数据生词词袋的办法。而这个办法，跟我们前面所应用的办法是雷同的。
def clean_up_sentence(sentence): # tokenize the pattern sentence_words = nltk.word_tokenize(sentence) # stem each word sentence_words = [stemmer.stem(word.lower()) for word in sentence_words] return sentence_words# return bag of words array: 0 or 1 for each word in the bag that exists in the sentencedef bow(sentence, words, show_details=False): # tokenize the pattern sentence_words = clean_up_sentence(sentence) # bag of words bag = [0]*len(words) for s in sentence_words: for i,w in enumerate(words): if w == s: bag[i] = 1 if show_details: print ("found in bag: %s" % w) return(np.array(bag))p = bow("is your shop open today?", words)print (p)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0]如今，我们可以开端构建我们的响应处理器了。
ERROR_THRESHOLD = 0.25def classify(sentence): # generate probabilities from the model results = model.predict([bow(sentence, words)])[0] # filter out predictions below a threshold results = [[i,r] for i,r in enumerate(results) if r>ERROR_THRESHOLD] # sort by strength of probability results.sort(key=lambda x: x[1], reverse=True) return_list = [] for r in results: return_list.append((classes[r[0]], r[1])) # return tuple of intent and probability return return_listdef response(sentence, userID='123', show_details=False): results = classify(sentence) # if we have a classification then find the matching intent tag if results: # loop as long as there are matches to process while results: for i in intents['intents']: # find a tag matching the first result if i['tag'] == results[0][0]: # a random response from the intent return print(random.choice(i['responses'])) results.pop(0)
推荐阅读
维基解密最新宣布的CIA黑客对象中包含了CherryBlossom项目，该项目凸显了路由器的安然问题，包含缺乏固件签名方面的验证等。“在企业级产品方面，大年夜型路由器制造商已经供给签名固>>>详细阅读
本文标题：利用 TensorFlow 实现上下文的 Chat-bots
地址：http://www.17bianji.com/lsqh/35941.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示