Rasa 2.x的NLU管道更新可能导致所有组件重新训练，但通过DAGs（有向无环图）和缓存策略，可以减少不必要的训练。本文介绍了如何利用DAGs优化训练流程，当组件参数改变时，仅重新训练受影响的部分，同时在磁盘上缓存组件以加速后续训练。文中还提供了Rasa开源分支的安装方法和缓存体验，展示了缓存在.Rasa文件夹中的SQLite数据库和组件文件。此外，文章提及了Gavin大咖的Rasa 3.x源码解析课程，详细讲解Rasa系统架构、内核算法和源码实现。
Rasa DAGs 与缓存
Rasa 2.x 对NLU管道文件的单个更改将触发对其中所有组件的重新训练，整个流程都被视为一个整体，这可能会导致Rasa认为所有组件都要重新训练，即使只是发生了很小的变化。但是如果将计算后台表示为DAG，那么就有了更多的选择。假设我们从下图开始。这个图表示了一个启用端到端的Rasa管道。
现在假设我们改变了第二个CountVectorizer的超参数。这将影响到DIETClassifier、TED和Policy Ensemble。但其余的组件不需要再训练。
如果我们能够在磁盘上缓存已经训练过的组件，那么只需要训练红色的组件，并保持绿色的组件不变。当你为你的会话助理尝试新的设置时，这可以避免大量的计算。
例子
如果你现在安装了Rasa开源的主要分支，你就可以对缓存的体验有一个大致的了解。
python -m pip install --upgrade "rasa @ git+https://github.com/RasaHQ/rasa.git"
当你用这个版
最低0.47元/天 解锁文章
380
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
