新增自己的訓練政策模型

pydial的主要目標便是提供乙個通用的語言統計對話模型,開發者可以方便的向其中新增整合和測試自己的模型.pydial位主要模組都設計了明確定義的通用介面,為了了解這個,我們首先來看一下pydial的整體框架.

如上所示,多域功能的對話模型主要使用主題***來進行實現,主題***來識別使用者輸入的主題,可以保證切換,從上乙個對話領域切換到使用者當前想要的對話領域,由上圖可以看出,主題追蹤器在整個對話系統中扮演了乙個核心的角色,其觸發了對使用者的語義理解,對話狀態的追蹤,從而影響到了最核心的對話決策部分,繼而轉到語言生成即輸出部分,完成了整個的乙個對話流程.

生成新的模組:

為了便於整合你自己的模組,pydial為模組都提供了簡單的介面類.如下:

所有這些模組都被同樣的模組組織結構定義,pydial的主要目標是提供乙個多領域的對話平台,乙個叫做管理器(manager)的概念將被介紹,它使用了類似詞典的結構處理方式來處理每個模組的域例項.實現乙個未在pydial中實現的模型如下所示:

為了實現你自己的模型,檢視基類中的一些方法,並繼承基類來重寫你自己需要實現的方法,為了使用你自己定義的模型,需要在配置檔案中定義和載入對應的模型.config/dynamically_load_modules.cfg中便是動態載入模型的例子.

應用舉例:

我們建立了乙個新的parrotpolicy決策類,它簡單的接受使用者的操作並作為使用者的操作返回,就像鸚鵡學舌一般,為此,第一步建立乙個繼承自policy的基類.

from policy import policy
class parrot(policy.policy):
def nextaction(self, beliefstate):
pass

為了實現使用者的行為,我們必須從信念狀態中提取最後乙個使用者狀態資訊,稍微做一下解析,然後返回它。在開始時，我們預設使用hello() system act。

from policy import policy
import re
class parrot(policy.policy): 
def nextaction(self, beliefstate):
useracts = beliefstate['useracts']
if useracts is not none:
systemact = useracts[0][0]
else:
systemact = "hello()"
return systemact

在配置檔案中進行載入和預處理.

使用者意圖:

使用者行為表示為意圖的字串、槽或槽值對的列表。下面是系統當前使用的系統操作列表

信念狀態封裝在乙個對話的物件當中,在內部,每個域的信念都使用以下的字典結構建模.

,
u'informable_slot2': ,
...'discourseact': ,
'method': ,
'requested': },
'useracts': [('hypo1', 0.8),('hypo2',0.1),...]}

進行輸出.

資訊插槽、話語、方法和請求欄位的實際值直接從本體檔案中提取。而informable slot、discourse seact和method都代表了乙個概率分布，即每個欄位的數值總和為1，這對於被請求的字段是不同的。在這裡，每個數值都可能在[0,1]中。

新增自己的訓練政策模型

textblob 自己訓練模型

訓練自己的物體檢測模型

ScaledYOLOv4模型訓練自己的資料

新增自己的訓練政策模型

textblob 自己訓練模型

訓練自己的物體檢測模型

ScaledYOLOv4模型訓練自己的資料

相關推薦