手把手教你用Python代码实现微信聊天机器人 -- Python wxpy

关注我,每天都有优质技术文章推送,工作,学习累了的时候放松一下自己。

本篇文章同步微信公众号

欢迎大家关注我的微信公众号:「醉翁猫咪」





来学习了,微信聊天机器人。


环境要求:


Windows / Liunx / Mac OS

下载Python 3.4-3.6


需要wxpy安装


命令行:


pip install -U wxpy -i "https://pypi.doubanio.com/simple/"


实例


让机器人与所有好友聊天


from wxpy import *

# 实例化,并登录微信

bot = Bot(cache_path=True)

# 调用图灵机器人API

tuling = Tuling(api_key='##############')

@bot.register()def auto_reply(msg):   

 tuling.do_reply(msg) 

embed()


让机器人与指定好友聊天



from wxpy import *

# 实例化,并登录微信

bot = Bot(cache_path=True)

# 查找到要使用机器人来聊天的好友

my_friend = ensure_one(bot.search(u'好友名字'))

# 调用图灵机器人API

tuling = Tuling(api_key='##############')

# 使用图灵机器人自动与指定好友聊天

@bot.register(my_friend)

def reply_my_friend(msg):
   tuling.do_reply(msg)

embed()


图中的appi_key是什么?


去http://www.tuling123.com/ 官网注册账号,即可获得,那是图灵机器人,用来和人聊天的。

如果你说在哪里写代码的话,请下载:PyCharm软件,在其中写代码!


会弹出二维码让你扫的!接下来带你安装环境:《扎心了Python


如果喜欢

那就点个赞吧

❤️ 

你的鼓励支持我写更好的文章


从入门到熟悉!

坚决不放弃!


喜欢本文的朋友们

欢迎长按下图关注订阅号醉翁猫咪

收看更多精彩内容


  • 5
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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