Gavin老师Transformer直播课感悟 - 基于Transformer的Rasa 3.x 内核解密之Rule-based Policies架构设计与源码解析(十八)

最新推荐文章于 2024-08-16 13:34:16 发布
最新推荐文章于 2024-08-16 13:34:16 发布
阅读量372 收藏
点赞数 1
分类专栏： AI 文章标签： transformer 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49380401/article/details/122482223
版权
本文深入解析基于Transformer的Rasa 3.x中的Rule-based Policies架构，介绍其设计原理与源码。Rule Policy替代了Mapping、Fallback和Form Policy，用于处理固定响应和复杂对话场景。尽管rules在构建对话机器人中扮演重要角色，但不能完全替代机器学习策略，如TEDPolicy。Rasa 3.x中的RulePolicy基于训练数据中的rules进行预测，并提供了核心配置选项。此外，还讨论了InvalidRule异常类及其与MemoizationPolicy的关系。
摘要由CSDN通过智能技术生成

本文继续围绕工业级业务对话平台和框架Rasa对Rule-based Policies架构设计与源码进行解析。

一、关于Rule-based Policies架构设计与源码解析

  1. Rule Policy内部机制解析

       Rasa 2.0 引入了用于配置对话管理的Rule Policy，从而可以清晰地区分使用预定义逻辑来选择一个固定的response的policies和其它通过训练数据学习来预测对话机器人的next action的policies。通过Rule Policy机制可以移除在选择一个policy配置方面的猜测和使它更容易强化业务逻辑。

Rule Policy替换了原先出现在1.x 版本中的几种policies：

-Mapping Policy：如果一个具体的intent被探测到，那么会预测对应的action

-Fallback Policy：如果NLU的confidence值低于设定的threshold，那么会预测fallback response action

-Form Policy：如果一个form是active状态且form中所有的slots还没有被填充完整，那么会预测form action来请求下一个需要填充的slot

        Rules定义了某个条件被满足后需要采取的actions，适用于选择固定的response的对话场景，另外rules也可以被用于处理更复杂的场景，譬如在对话开始时运用rules，也可以在当一个slot被设置了特定值的时候运用rules，fallback和forms也可以通过rules来定义&#

最低0.47元/天 解锁文章
m0_49380401
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Rasa培训、Rasa课程、Rasa对话机器人系列之：Rasa Version 3.x Default Actions
03-03
课程内容涵盖了NLP、Transformer模型、源码解析等多个方面，旨在帮助学员深入理解Rasa 3.x的内在机制，提升实际开发能力。此外，课程还提供了答疑服务、详尽的文档和实战项目的源代码，以确保学习效果。 **学习资源...
Gavin老师Transformer直播课感悟 - 基于Transformer的Rasa 3.x 内核解密之RulePolicy完整源码详解(十九)
m0_49380401的博客
01-14 532
本文继续围绕工业级业务对话平台和框架Rasa对RulePolicy完整源码进行解析。 一、关于Rule-based Policies源码解析 RulePolicy初始化代码详解 RulePolicy继承自MemoizationPolicy，RulePolicy只关心当前的一个turn，从这点来说比MemoizationPolicy在预测上更严格。 下面这个方法返回这个policy所支持的数据类型： 下面这个方法返回默认配置，如rule...
rasa3.0表单源代码篡改记录
qq_44497995的博客
12-07 433
rasa表单源代码篡改
对话机器人（七）——RASA：基于规则
qnstar_的博客
06-17 1236
解决机器人无法处理的情况。如，用户表达不清楚，超出机器人能提供服务的范围，这时需要“兜底”的fallback操作。负责处理NLU阶段理解用户意图困难或模糊的情况。FallbackClassifier组件，可见pipline。如： 若所有意图分类组件预测出的结果中，最高的置信度小于0.6（threshold值）或最高的前2个意图得分之差不超过0.1（ambiguity_threshold），NLU的意图就会被替换成nlu_fallback。 将nlu_fallback映射成utter_please_rephr
【对话系统】rasa源代码阅读-探索memoization policy是如何实现的
weixin_39673686的博客
07-09 2917
很久没更新这个博客了，今天工作中需要实现rasa的story流程功能，所以先看看rasa的源代码找一些灵感。 首先我们先train一个对话模型，rasa -core是用来训练和使用对话管理模型的。下面是train部分的代码。 from rasa_core.agent import Agent from rasa_core import config import uuid def a...
NLP 高手之路101课（模型、算法、论文、源码、案例 + 1年答疑）
StarSpaceNLP667的博客
03-03 747
课程名称：NLP 高手之路101课（模型、算法、论文、源码、案例 + 1年答疑） 课程关键词：NLP、Transformer、BERT、GPT、Bayesian、Rasa、Transfer learning、Conversational AI、Classifiers、 Policies、Dialogue Management、NER、Pre-training、Fine-tuning、DIET、TED、SimpleTOD、Bert-DST、ConveRT、Poly-Encoder、Chatbot、E2E
Attention注意力机制
russwest44的博客
08-13 365
【代码】Attention注意力机制。
【深度学习】【语音】TTS，最新TTS模型概览，扩散模型TTS，MeloTTS、StyleTTS2、Matcha-TTS
q742971636的博客
08-14 384
MeloTTS: MeloTTS 是 MyShell.ai 开发的一个多语言语音合成模型，支持包括英语、西班牙语、法语、中文、日语和韩语等多种语言。它以高质量的语音合成为特色，尤其擅长处理中英混合内容。该模型优化了在 CPU 上的实时推理能力，使其在多种应用场景中都能高效运行【6†source】。StyleTTS2: StyleTTS2 旨在通过风格扩散和对抗训练达到人类级别的语音合成。它通过将风格建模为潜在变量，生成自然且富有表现力的语音。
TILs 评分：TCGA 肿瘤浸润淋巴细胞病理切片深度学习评分！图片下载与可视化
weixin_49214410的博客
08-15 900
生信碱移TCGA 数据库是最大的肿瘤组学公开数据库之一。尽管如此，更多的研究往往仅局限于关注 TCGA 中各类肿瘤样本的上游组学信息或基本病理特征，。▲早在 2018 年一篇的] 文章中，研究人员便针对 13 种 TCGA 肿瘤类型的 H&E 图像，使用卷积神经网络对图像块进行建模，预测了切片区域内肿瘤浸润淋巴细胞（TILs）的映射强度。▲由于13 种肿瘤的 TILs 评分都已经计算出来了，所以直接应用就好。: 乳腺癌 (Breast Invasive Carcinoma)
基于深度学习的图像特征优化识别复杂环境中的果蔬【多种模型切换】
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
08-15 1049
基于深度学习的图像识别技术广泛应用果蔬分类和质检，助力智慧农业发展。当前果蔬图像识别研究集中在单一或无背景环境的图像，通过纹理、颜色等特征提取，利用浅层学习技术，实现图像识别。本项目聚焦果蔬运输、超市零售复杂环境中，包装袋和保鲜膜内附水珠等视觉挑战下的果蔬精准识别。运用深度学习方法结合图像去雾、去雨水、去模糊等图像优化算法，设计基于深度学习的果蔬图像识别模型，并进行模型识别效果评价。
什么是张量
2301_76924624的博客
08-14 1074
学习使用pytorc库进行深度学习网络搭建时，张量这个词总是不定时会出现。其实，Pytorch中的所有操作都是在张量的基础上进行的，今天就来了解张量到底是什么由PyTorch官网官网介绍可知，一个Tensor是一个包含单一数据类型的多维矩阵。
遗传算法与深度学习实战（4）——遗传算法详解与实现
盼小辉丶的博客
08-13 1269
在遗传算法 (Genetic Algorithms, GA) 中，使用选择、交叉、突变和适应度来模拟生物减数分裂或繁殖的基本操作。适应度是衡量个体优劣的指标，可以用于量化模拟个体成功解决给定问题的能力。通过修改遗传算法超参数，如种群大小、世代数、交叉率和突变率等超参数，能够调整和修改进化进程。在本节中，我们介绍了遗传算法基本概念及算法流程，并使用 Python 实现遗传算法解决 OneMax 问题。
Transformer架构；Encoder-Decoder；Padding Mask；Sequence Mask；
ZJQ的博客
08-13 488
Transformer架构；Encoder-Decoder；Padding Mask；Sequence Mask；
Transformer和LSTM相结合--应用场景
GDHBFTGGG的博客
08-14 1009
将Transformer和LSTM相结合可以在多种自然语言处理（NLP）任务中取得显著效果，特别是在需要捕捉长短期依赖的场景中。结合的目的是利用Transformer的全局注意力机制和LSTM的短期记忆能力，实现更强大的序列建模。
【深度学习】单层神经网络
TeamLee的博客
08-15 1064
本文介绍了单个神经元模型和具有两个输出单元的单层神经网络，也称为感知机，以及它们的算法和示意图。
基于深度学习的结合物理定律的预测模型
最新发布
weixin_42605076的博客
08-16 524
基于深度学习的结合物理定律的预测模型，通过将深度学习的强大非线性映射能力与物理定律的先验知识相结合，提升预测模型的准确性、可解释性和稳定性。这种方法在科学计算、工程预测和数据分析等领域都有着广泛的应用潜力。
基于深度学习的迁移学习
weixin_42605076的博客
08-14 652
基于深度学习的迁移学习（Transfer Learning）是将从一个或多个源任务中学到的知识应用到目标任务中的一种技术。它可以有效地解决因数据不足或计算资源有限而导致的深度学习模型训练困难的问题。
深度学习基础—Dropout正则化(随机失活正则化)
sniper_fandc的博客
08-13 273
这种神经元依赖上下文神经元的现象也被成为协同适应），在训练网络的过程中，由于去除了某些神经元，那么网络就失去了该神经元的部分表征，因此在训练后，网络能学习更加独立丰富的特征（这种效果类似L2范数正则项，每个神经元不会被赋予更大的权重，从而产生了收缩权重平方范数的效果），使模型更加鲁棒。2.网络中每层的keep_prob都可以不同，对于输入层通常不设置keep_prob，对于节点较多的层keep_prob的值应该要比其他层小（也就是更大概率删除更多的节点，因为节点多的层容易过拟合）。对应位置的输出就是0。
深度学习碎碎念——碎片知识2
m0_59704905的博客
08-15 683
假设训练了一个模型来预测天气，使用过去几年的数据来训练模型，但随着时间的推移，气候变化导致某些因素（如温度、湿度等）与天气之间的关系发生了变化，这意味着即使温度和湿度的分布没有变化，它们与天气的关系可能已经改变了，这就是概念偏移。学习如何区分苹果和橙子。如果训练模型时使用的苹果和橙子的比例是 50:50，但在实际应用中，苹果和橙子的比例变成了 80:20。深度学习框架可以自动计算导数：我们首先将梯度附加到想要对其计算偏导数的变量上，然后记录目标值的计算，执行它的反向传播函数，并访问得到的梯度。
精通Rasa 3.X：智能对话机器人开发实战课程
"Rasa 课程50问.docx 是一份关于Rasa 3.X智能对话机器人开发的深度培训课程，旨在帮助学员掌握Rasa的核心技术和应用开发。课程由七大部分组成，涵盖从基础的交互式学习到针对不同行业的实际项目实战，如电商、金融、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值