智能家居助手（四）-意图识别：神经网络-问题分析篇

最新推荐文章于 2024-01-18 02:11:29 发布

大Huoyo

最新推荐文章于 2024-01-18 02:11:29 发布

阅读量633

点赞数 1

分类专栏：从零实现智能家居控制系统文章标签：深度学习意图识别智能家居机器人

本文链接：https://blog.csdn.net/qq_21120275/article/details/114764361

版权

从零实现智能家居控制系统专栏收录该内容

12 篇文章 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

本章节探讨如何使用神经网络进行智能家居助手的意图识别，以开灯、关灯为例，通过添加‘其他’意图来处理未预见的输入。文章强调了需求梳理和数据集构建的重要性，并提到为提升模型泛化能力，需要考虑添加噪声。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本专栏暂未更新完，特惠59.90元，更新完以后将恢复原价

专栏目录

在这里插入图片描述

上一篇智能家居助手（三）-意图识别：规则模式中，讲述了基于规则的意图识别，以案例入手，实现开灯、关灯和查新闻的意图识别，本章节将通过神经网络的方式进行意图识别，为了快速入手，本章节只进行开灯和关灯的意图识别，毕竟一个精简的案例，才更容易理解（其实是本人懒，标注不完那么多的数据）

在这里插入图片描述

想象你要开发一个机器人，它有两个功能，开灯和关灯，这个时候你们之间的对话可能是这样的：
在这里插入图片描述

开始如你期待，结局却不尽人意！

为什么会这样呢？

是因为我们在设计的时候就只给他定义了两个意图，当有其他意图输入的时候，机器只能从设计好的意图中选择一个进行输出，这种缺陷和模型训练无关，仅仅只是因为问题的梳理不够透彻，在此也想说明的是：一个能用的产品（都不敢说好的产品）的设计和需求梳理，重要到就好像一个人的基因，先天的不足需要花费千万倍的努力去弥补，而这个成本对于项目来说可以亏到连裤衩都不剩，遗憾的是好多人好像没明白这个问题，一上来就是开干，最后就是没有结局的加班改需求以及Bug！

回到本文中，我们的功能简单到只需要开灯和关灯两个意图，为了能应对如上问题，可以考虑加一个意图：其他，当识别到非开灯和关灯的意图时，让机器人有一个其他意图，避免机器人胡乱开关灯，至于识别到这个意图时，机器人该回答什么呢，可以选择不回答，或者闲聊或者其他的

到此确定了本文要识别的意图有三个：
在这里插入图片描述

在这里插入图片描述

为了能让神经网络能识别开灯、关灯和其他，首先得告诉它什么叫开灯，什么叫关灯吧！

这个时候就需要我们构建数据集，让神经网络从数据集中学习（至于神经网络为什么能学习，本文不做介绍，感兴趣的童鞋可以先看看相关资料，后期本人也会出一篇为什么能学习的博客）

1、开灯的数据集

打开灯==>home_turnon_light
开灯==>home_turnon_light
开下灯==>home_turnon_light
开一下灯==>home_turnon_light
帮我开一下灯==>home_turnon_light
麻烦帮我开一下灯==>home_turnon_light
麻烦帮我开一下灯，好吗==>home_turnon_light
可以帮我开一下灯，好吗==>home_turnon_light
可以帮我开一下灯吗==>home_turnon_light
...等等
/*标注的格式不重要，反正也是自己解析，自己随意*/

2、关灯的数据集

可以关灯吗==>home_turnoff_light
可以关灯吗==>home_turnoff_light
关闭客厅的灯==>home_turnoff_light
关闭客厅的开关==>home_turnoff_light
关闭卧室的灯==>home_turnoff_light
关闭卧室的开关==>home_turnoff_light
关闭厨房的灯==>home_turnoff_light
关闭厨房的开关==>home_turnoff_light
...等等

3、其他的数据集

谢谢==>others
不客气==>others
你好吗==>others
我还不错，你呢==>others
我也不错==>others
那太好了==>others
你听到新闻了吗==>others
什么新闻==>others
你最喜欢什么书==>others
我看不懂==>others
你最喜欢什么颜色==>others
...等等

需要注意的是，现实中说话并没有标准，比如我可能会说：

那个啥，额…打开客厅的灯

这种情况下，我们准备的数据集会显得过于规范，也就会造成模型很可能只认识标准话术，而无法识别现实中的口语，所以我们可以考虑给模型加一些噪声，提高模型的泛化能力，比如：

麻烦w帮我开一下灯，好吗==>home_turnon_light
可以帮,u我开一下灯，好吗==>home_turnon_light
可87以帮我开一下q灯吗==>home_turnon_light

在这里插入图片描述

有了数据集以后就是神经网络的搭建和学习过程了，包括
在这里插入图片描述
设计好流程以后先把需要实现接口方法写出来，一个模块一个模块拆解实现

class IntentModelContainer:

    def __init__(self):
        '''
        参数初始化
        '''

    def load_data(self,basePath):
        '''
        载入数据
        :param basePath:  数据集路径
        :return: 
        '''
        pass
        
    def build_model(self):
        '''
        搭建网络
        :return: 
        '''
        pass
        
    def print_f1(self,model,x_test=None,y_test=None):
        '''
        f1评估
        :param model: 
        :param x_test: 
        :param y_test: 
        :return: 
        '''
        pass
        
    def print_acc_curve(self, history):
        '''
        输出训练集和验证集准确率曲线
        :param history: 
        :return: 
        '''
        pass
        
    def print_loss_curve(self,history):
        '''
        输出训练集和验证集loss曲线
        :param history: 
        :return: 
        '''
        pass

if __name__=='__main__':
    trainPath = r'data\train.txt'
    testPath = r'data\test.txt'
    # 创建模型训练实例
    intent_model_container = IntentModelContainer()
    # 加载数据
    x,y = intent_model_container.load_data(trainPath)
    x_test,y_test = intent_model_container.load_data(testPath)
    # 创建模型
    intent_model = intent_model_container.build_model()
	# 训练
    history = intent_model.fit(x,y,epochs=N,batch_size=Batch,validation_data=(x_test,y_test))
    # f1评估
    intent_model_container.print_f1(intent_model,x_test,y_test)
    # 保存模型
    tf.saved_model.save(intent_model, "intent-rec.h5")
    # 损失曲线
    intent_model_container.print_loss_curve(history)
    # 准确率曲线
    intent_model_container.print_acc_curve(history)