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!

Créer des tableaux multidimensionnels avec Numpy peut être réalisé via les étapes suivantes: 1) Utilisez la fonction numpy.array () pour créer un tableau, tel que np.array ([[1,2,3], [4,5,6]]) pour créer un tableau 2D; 2) utiliser np.zeros (), np.ones (), np.random.random () et d'autres fonctions pour créer un tableau rempli de valeurs spécifiques; 3) Comprendre les propriétés de forme et de taille du tableau pour vous assurer que la longueur du sous-réseau est cohérente et éviter les erreurs; 4) Utilisez la fonction NP.Reshape () pour modifier la forme du tableau; 5) Faites attention à l'utilisation de la mémoire pour vous assurer que le code est clair et efficace.

BroadcastingInNumpyIsAmethodToperformOperations OnerwaysofdifferentShapesByAutomAticalAligningThem.itImplienScode, améliore la réadabilité et BoostsTerformance.He'showitwork

Forpythondatastorage, chooseListsforflexibilitywithMixedDatatyS, array.Arrayformmemory-efficienthomogeneousnumericalData, andNumpyArraysforaSvancedNumericalComputing.ListaSaRaySatilebutless

PythonlistsArebetterThanArraysformMagingDiversEDATATYPES.1) ListScan HoldingElementoSoFferentTypes, 2) Ils ont été aaredamique, permettant à la manière dont 4) ils ne sont pas entièrement efficaces et les opérations sont en train de les affirmer.

ToaccesElementsInapythonArray, useIndexing: my_array [2] AccessEstheThirdElement, returning3.pythonusZero-basedIndexing.

L'article discute de l'impossibilité de la compréhension des tuples dans Python en raison de l'ambiguïté de la syntaxe. Des alternatives comme l'utilisation de Tuple () avec des expressions de générateur sont suggérées pour créer efficacement les tuples. (159 caractères)

L'article explique les modules et les packages dans Python, leurs différences et leur utilisation. Les modules sont des fichiers uniques, tandis que les packages sont des répertoires avec un fichier __init__.py, organisant des modules connexes hiérarchiquement.

L'article traite des docstrings dans Python, de leur utilisation et des avantages. Problème principal: Importance des docstrings pour la documentation du code et l'accessibilité.


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

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

SublimeText3 Linux nouvelle version
Dernière version de SublimeText3 Linux

Listes Sec
SecLists est le compagnon ultime du testeur de sécurité. Il s'agit d'une collection de différents types de listes fréquemment utilisées lors des évaluations de sécurité, le tout en un seul endroit. SecLists contribue à rendre les tests de sécurité plus efficaces et productifs en fournissant facilement toutes les listes dont un testeur de sécurité pourrait avoir besoin. Les types de listes incluent les noms d'utilisateur, les mots de passe, les URL, les charges utiles floues, les modèles de données sensibles, les shells Web, etc. Le testeur peut simplement extraire ce référentiel sur une nouvelle machine de test et il aura accès à tous les types de listes dont il a besoin.

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

VSCode Windows 64 bits Télécharger
Un éditeur IDE gratuit et puissant lancé par Microsoft

PhpStorm version Mac
Le dernier (2018.2.1) outil de développement intégré PHP professionnel
