報時機器人的rasa shell執行流程分析
本文以報時機器人為載體，介紹了報時機器人的對話能力範圍、配置文件功能和訓練和運行命令，重點介紹了rasa shell命令啟動後的程式執行過程。
一.報時機器人項目結構
1.對話能力範圍
(1)能夠識別歡迎語意圖(greet)和拜拜意圖(goodbye)
(2)能夠識別時間意圖(query_time)
(3)能夠識別日期意圖(query_date)
(4)能夠識別星期幾意圖(query_weekday)
2.配置文件功能
(1)nlu.yml：主要包含意圖、例子、對實體的標註等。
(2)stories.yml文件：用戶和機器人之間對話的表示，用戶輸入意圖，機器人響應action。
(3)actions.py：自定義的action，比如action_query_time、action_query_date、action_query_weekday。
(4)config.yml：主要包含nlu(分詞、特徵提取和分類等)和dialog policy(記憶、規則、機器學習等)。
(5)domain.yml：主要包含意圖、視圖、槽位、響應、動作等。
(6)credentials.yml：主要和其它對話平台集成，比如facebook、slack等。
(7)endpoints.yml：action_endpoint(調用自定義action)、tracker_store對話存儲(記憶體、redis、mongodb等)、event_broker消息隊列(RabbitMQ、Kafka等)。
3.訓練和運行命令
(1)訓練模型
使用NLU數據和stories訓練模型，模型保存在./models中。
rasa train
說明：關於如何把數據集按照比例拆分為訓練集和測試集，在訓練集上訓練模型，在測試集上測試模型，可以參考《聊天機器人框架Rasa資源整理》。
(2)啟動action伺服器
使用Rasa SDK開啟action伺服器。
rasa run actions
(3)啟動rasa伺服器和客戶端
通過命令行的方式載入訓練模型，然後同聊天機器人進行對話。
rasa shell
二.rasa shell執行流程分析
整體思路是通過rasa shell載入和解析模型，通過消息處理的方式建立起用戶(客戶端)和聊天機器人(rasa服務)對話的橋樑。
1.rasa/cli/shell.py文件
在rasa/cli/shell.py文件中，def shell(args: argparse.Namespace) -> None函數如下：
2.rasa/cli/run.py文件
在rasa/cli/run.py文件中，def run(args: argparse.Namespace) -> None函數如下：
3.rasa/api.py文件
在rasa/api.py文件中，def run(...) -> None函數如下：
在run()函數中調用serve_application()函數如下：
4.rasa/core/run.py文件
在rasa/core/run.py文件中，serve_application()函數如下：
在serve_application()函數中啟動了一個基於Sanic的Web伺服器，通過configure_app()方法構建了app，然後通過run()方法啟動，如下所示：
app = configure_app(
input_channels,
cors,
auth_token,
enable_api,
response_timeout,
jwt_secret,
jwt_method,
port=port,
endpoints=endpoints,
log_file=log_file,
conversation_id=conversation_id,
use_syslog=use_syslog,
syslog_address=syslog_address,
syslog_port=syslog_port,
syslog_protocol=syslog_protocol,
request_timeout=request_timeout,
)
......
app.run(
host=interface,
port=port,
ssl=ssl_context,
backlog=int(os.environ.get(ENV_SANIC_BACKLOG, "100")),
workers=number_of_workers,
)
通過register_listener(listener, event)註冊給定事件的偵聽器：
app.register_listener(partial(load_agent_on_start, model_path, endpoints, remote_storage), "before_server_start",)
app.register_listener(close_resources, "after_server_stop")
5.rasa/core/agent.py文件
通過load_agent_on_start()方法載入一個agent。在rasa/core/agent.py文件中，load_agent()函數如下所示：
在load_agent()函數中，載入模型程式碼是agent.load_model(model_path)。在Agent類的def load_model()方法中，關於初始化MessageProcessor程式碼如下：
self.processor = MessageProcessor(
model_path=model_path,
tracker_store=self.tracker_store,
lock_store=self.lock_store,
action_endpoint=self.action_endpoint,
generator=self.nlg,
http_interpreter=self.http_interpreter,
)
載入模型的程式碼如下：
logger.info(f"Loading model {model_tar}...")
with tempfile.TemporaryDirectory() as temporary_directory:
try:
metadata, runner = loader.load_predict_graph_runner(
Path(temporary_directory),
Path(model_tar),
LocalModelStorage,
DaskGraphRunner,
)
return os.path.basename(model_tar), metadata, runner
except tarfile.ReadError:
raise ModelNotFound(f"Model {model_path} can not be loaded.")
6.rasa/engine/loader.py文件
在rasa/engine/loader.py文件中，def load_predict_graph_runner()函數如下：
三.遇到的問題和說明
1.如何用PyCharm調試Rasa項目
解析：一種是基於Script path的調試方法，一種是基於Module name的調試方法。這裡介紹前者如下所示：
(1)Script Path：安裝rasa類庫的__main__.py文件路徑。
(2)Parameters：rasa的各種cli，比如train、test、shell等。
(3)Working directory：安裝rasa類庫的根目錄。
說明：因為rasa類庫依賴類庫太多導致系統環境混亂，所示建議使用虛擬環境進行rasa類庫安裝。
2.NoConsoleScreenBufferError
解析：exception=NoConsoleScreenBufferError(‘No Windows console found. Are you running cmd.exe?’)
3.模型20220915-081548-honest-yield.tar.gz
解析：由metadata.json文件和components文件夾組成，後者和config.yml內容密切相關，如下所示：
4.Sanic框架
解析：Sanic是一個高性能非同步的Web框架。
5.asyncio庫
解析：它的編程模型是一個消息循環，關鍵字涉及event_loop、coroutine、task、future、async/await等。
本文只是簡要的介紹了rasa shell命令啟動後的程式執行過程，但是對於載入模型後如何解析模型構建圖，以及用戶輸入後，消息如何通過模型(nlu和dialog policy)得到輸出並沒有介紹，後面寫篇文章專門介紹。
參考文獻：
[1]Rasa實戰：構建開源對話機器人
[2]Sanic官方文檔：//www.osgeo.cn/sanic/
[3]asyncio庫非同步I/O：//docs.python.org/3.7/library/asyncio.html
[4]聊天機器人框架Rasa資源整理
吾愛DotNet
專註於.NET領域的技術分享
人工智慧乾貨推薦
專註於人工智慧領域的技術分享
