Rasa est un framework open source pour créer une IA conversationnelle et des chatbots. Si vous souhaitez configurer votre premier projet dans Rasa, vous êtes au bon endroit. Dans ce blog, nous allons mettre en place un projet Rasa à partir de zéro, étape par étape.
Qu’est-ce que Rasa ?
Avant de plonger dans le vif du sujet, clarifions ce qu’est le Rasa. Rasa se compose de deux composants principaux :
Rasa Open Source : Un cadre pour développer la compréhension du langage naturel (NLU) et la gestion du dialogue.
Rasa X : Un outil pour améliorer et gérer votre assistant au fil du temps.
Rasa est écrit en Python et permet une personnalisation flexible, ce qui en fait un choix populaire parmi les développeurs.
Conditions préalables
Pour configurer Rasa, vous avez besoin de :
Python 3.8 ou 3.9 (Rasa ne prend actuellement pas en charge 3.10)
pip (gestionnaire de paquets Python)
Environnement virtuel (facultatif mais recommandé)
La familiarité avec Python et l'utilisation de base de la ligne de commande est utile mais pas obligatoire.
Étape 1 : Installation de Python et création d'un environnement virtuel
- Télécharger Python :
- Rendez-vous sur le site Web de Python et téléchargez Python 3.8 ou 3.9.
-
Créer un environnement virtuel : l'utilisation d'un environnement virtuel maintient les dépendances de votre projet Rasa isolées de votre configuration Python globale.
python -m venv venv
source venv/bin/activate
Étape 2 : Installer Rasa
-
Installez Rasa via pip :
pip installer rasa
- Vérifiez l'installation :
rasa --version
Vous devriez voir la version Rasa et la version Python affichées.
Étape 3 : Créez votre premier projet Rasa
Maintenant, créons votre projet Rasa :
-
Exécutez la commande suivante :
initialisation rasa
- Suivez les instructions :
-
Rasa mettra en place un nouveau répertoire de projet avec la structure suivante :
mon_projet/
├──actions/
├── données/
├── modèles/
├──essais/
├── config.yml
├──credentials.yml
├── domaine.yml
└── endpoints.yml Nous serons invités à former un modèle et à tester votre assistant. Allez-y et essayez-le !
Étape 4 : Comprendre les fichiers clés dans Rasa
Voici une répartition des fichiers clés de votre projet :
domain.yml : définit la personnalité, les intentions, les réponses et les entités de votre bot.
data/nlu.yml : contient des exemples de formation pour la reconnaissance d'intention.
data/stories.yml : définit les flux de conversation pour entraîner le modèle de dialogue.
config.yml : spécifie le pipeline d'apprentissage automatique pour la classification des intentions et la reconnaissance des entités.
endpoints.yml : configure où trouver les services externes (par exemple, le serveur d'action).
credentials.yml : configure les intégrations tierces comme Slack ou Telegram.
Étape 5 : Entraînez votre modèle Rasa
-
Utilisez la commande suivante pour former votre assistant s'il n'est pas déjà formé :
train rasa
- Cela générera un fichier modèle dans le répertoire models/, prêt à alimenter votre chatbot !
Étape 6 : Testez votre assistant
-
Testez votre assistant en local :
coquille rasa
- Tapez quelques messages pour voir comment l'assistant répond. Par exemple :
> Hi Hello! <br> Hey! How are you?<br>
Étape 7 : Ajouter des actions personnalisées
Vous souhaitez que votre bot effectue des actions telles que récupérer des données à partir d'une API ? Ajoutez des actions personnalisées !
Ouvrez le répertoire actions/ et créez un fichier Python (par exemple, actions.py).
-
Écrivez votre action personnalisée :
depuis l'action d'importation rasa_sdk
depuis rasa_sdk.executor import CollectingDispatcherclasse ActionHelloWorld(Action):
nom def (soi) :
renvoyer "action_hello_world"def run(self, dispatcher, tracker, domain): dispatcher.utter_message(text="Hello, world!") return []
- Mettez à jour domain.yml pour inclure votre action :
actions :
- action_hello_world
- Démarrez le serveur d'action :
actions d'exécution rasa
Des références ?
Documentation officielle Rasa
Téléchargement Python
Documentation Virtualenv
Bon codage
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Python fournit une variété de façons de télécharger des fichiers à partir d'Internet, qui peuvent être téléchargés sur HTTP à l'aide du package ULLIB ou de la bibliothèque de demandes. Ce tutoriel expliquera comment utiliser ces bibliothèques pour télécharger des fichiers à partir des URL de Python. Bibliothèque de demandes Les demandes sont l'une des bibliothèques les plus populaires de Python. Il permet d'envoyer des demandes HTTP / 1.1 sans ajouter manuellement les chaînes de requête aux URL ou le codage de formulaire de post-données. La bibliothèque des demandes peut remplir de nombreuses fonctions, notamment: Ajouter des données de formulaire Ajouter un fichier en plusieurs parties Accéder aux données de réponse Python Faire une demande tête

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Les fichiers PDF sont populaires pour leur compatibilité multiplateforme, avec du contenu et de la mise en page cohérents sur les systèmes d'exploitation, les appareils de lecture et les logiciels. Cependant, contrairement aux fichiers de texte brut de traitement Python, les fichiers PDF sont des fichiers binaires avec des structures plus complexes et contiennent des éléments tels que des polices, des couleurs et des images. Heureusement, il n'est pas difficile de traiter les fichiers PDF avec les modules externes de Python. Cet article utilisera le module PYPDF2 pour montrer comment ouvrir un fichier PDF, imprimer une page et extraire du texte. Pour la création et l'édition des fichiers PDF, veuillez vous référer à un autre tutoriel de moi. Préparation Le noyau réside dans l'utilisation du module externe PYPDF2. Tout d'abord, l'installez en utilisant PIP: pip is p

Ce tutoriel montre comment tirer parti de la mise en cache Redis pour augmenter les performances des applications Python, en particulier dans un cadre Django. Nous couvrirons l'installation redis, la configuration de Django et les comparaisons de performances pour mettre en évidence le bien

Le traitement du langage naturel (PNL) est le traitement automatique ou semi-automatique du langage humain. La PNL est étroitement liée à la linguistique et a des liens vers la recherche en sciences cognitives, psychologie, physiologie et mathématiques. En informatique

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique


Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Dreamweaver CS6
Outils de développement Web visuel

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Adaptateur de serveur SAP NetWeaver pour Eclipse
Intégrez Eclipse au serveur d'applications SAP NetWeaver.

mPDF
mPDF est une bibliothèque PHP qui peut générer des fichiers PDF à partir de HTML encodé en UTF-8. L'auteur original, Ian Back, a écrit mPDF pour générer des fichiers PDF « à la volée » depuis son site Web et gérer différentes langues. Il est plus lent et produit des fichiers plus volumineux lors de l'utilisation de polices Unicode que les scripts originaux comme HTML2FPDF, mais prend en charge les styles CSS, etc. et présente de nombreuses améliorations. Prend en charge presque toutes les langues, y compris RTL (arabe et hébreu) et CJK (chinois, japonais et coréen). Prend en charge les éléments imbriqués au niveau du bloc (tels que P, DIV),

Télécharger la version Mac de l'éditeur Atom
L'éditeur open source le plus populaire
