Rasa的前期配置（2.x）

Rasa的前期配置（2.x）

写作原因

在研究chatbot的时候，找到了Rasa这个Apache License的对话机器人，所以想进行开发。但是搜索网络文章，大抵都是几年前的，那时的Rasa还是Rasa Core与Rasa NLU分离的状态，与现在的Rasa有了很大不同，所以想写这个导引，一是记录自己的学习经历，二是为之后的人在环境配置上减少一些时间。

同时，对初学者来说，可能Rasa X是个非常好用的工具，但是Rasa X只支持2.x版本，所以本文也是针对2.x版本进行介绍。

环境配置

本人习惯使用conda作为工具

conda create -n rasa python=3.8

之后不要忘记安装pip（第一次conda虚拟环境需要安装pip，否则用的仍然是base的pip）

conda install pip

Rasa 2.x只支持3.6-3.8，所以需要指定python版本，并且需要用到cuda10.1

这个命令安装Rasa X同时安装Rasa

pip install rasa-x --extra-index-url https://pypi.rasa.com/simple

这边挺容易失败，多试几次。

在Rasa中我用到了SpaCy，所以需要下载相关包，

pip install -U pip setuptools wheel
pip install -U spacy[cuda113,transformers,lookups]
python -m spacy download zh_core_web_trf

第三个包比较大，所以不好安装，基本很难成功，建议直接github开代理下载之后传到服务器用pip安装。

Rasa初始化

rasa init即可，在当前目录创建项目，所以可以先mkdir一个目录。初始化以后，一个项目就出现了，此时需要设置的部分有config.yml,stories.yml,rules.yml,domain.yml,nlu.yml。其中前两个需要关注。

其中，stories的数据需要标注intent，这个数据需要自己标记。如果想使用无标记数据，可以使用端到端方式，policy部分需要选TEDPolicy

给予一个端到端的config.yml：

language: zh
pipeline:
- name: SpacyNLP
  model: zh_core_web_lg
- name: SpacyTokenizer
- name: SpacyEntityExtractor
- name: SpacyFeaturizer
  pooling: mean
- name: CountVectorsFeaturizer
- name: CountVectorsFeaturizer
  analyzer: char_wb
  min_ngram: 1
  max_ngram: 4
- name: DIETClassifier
  epochs: 100
- name: EntitySynonymMapper
- name: ResponseSelector
  epochs: 100
  retrieval_intent: faq
- name: ResponseSelector
  epochs: 100
  retriev