代碼封裝和對外提供接口
目标
- 能夠完成封裝的代碼
- 能夠使用grpc對外提供接口
- 能夠使用supervisord完成服務的管理
1. 完成代碼的封裝
代碼封裝過程中,需要注意,在整個結構中,我們有很多的結算結果是dump到本地的,為了防止後續每次的重複計算。是以laod的結果,應該提前加載到内容,而不是每次調用load義詞
1.1 完成意圖識别代碼封裝
完成判斷使用者意圖的代碼,即在使用fasttext的模型,判斷使用者輸入句子的分類
import fastText
import re
from lib import jieba_cut
fc_word_mode = fastText.load_model("./classify/data/ft_classify.model")
fc_word_mode = fastText.load_model("./classify/data/ft_classify_words.model")
def is_QA(sentence_info):
python_qs_list = [" ".join(sentence_info["cuted_sentence"])]
result = fc_word_mode.predict(python_qs_list)
python_qs_list = [" ".join(sentence_info["cuted_word_sentence"])]
words_result = fc_word_mode.predict(python_qs_list)
for index, (label,acc,word_label,word_acc) in enumerate(zip(*result,*words_result)):
label = label[0]
acc = acc[0]
word_label = word_label[0]
word_acc = word_acc[0]
#以label_qa為準,如果預測結果是label_chat,則label_qa的機率=1-labele_chat
if label == "__label__chat":
label = "__label__QA"
acc = 1-acc
if word_label == "__label__chat":
word_label = "__label__QA"
word_acc = 1 - word_acc
if acc>0.95 or word_acc>0.95:
#是QA
return True
else:
return False
1.2 完成對chatbot代碼的封裝
提供predict的接口
"""
準備閑聊的模型
"""
import pickle
from lib import jieba_cut
import numpy as np
from chatbot import Sequence2Sequence
class Chatbot:
def __init__(self,ws_path="./chatbot/data/ws.pkl",save_path="./chatbot/model/seq2seq_chatbot.ckpt"):
self.ws_chatbot = pickle.load(open(ws_path, "rb"))
self.save_path = save_path
#TODO .....
def predict(self,s):
"""
:param s:沒有分詞的
:param ws:
:param ws_words:
:return:
"""
#TODO ...
return ans
1.3 完成對問答系統召回的封裝
"""
進行召回的方法
"""
import os
import pickle
class Recall:
def __init__(self,topk=20):
# 準備問答的mode等子產品
self.topk = topk
def predict(self,sentence):
"""
:param sentence:
:param debug:
:return: [recall list],[entity]
"""
#TODO recall
return recall_list
def get_answer(self,s):
return self.QA_dict[s]
1.4 完成對問答排序模型的封裝
"""
深度學習排序
"""
import tensorflow as tf
import pickle
from DNN2 import SiamsesNetwork
from lib import jieba_cut
class DNNSort():
def __init__(self):
#使用詞語和單字兩個模型的均值作為最後的結果
self.dnn_sort_words = DNNSortWords()
self.dnn_sort_single_word = DNNSortSingleWord()
def predict(self,s,c_list):
sort1 = self.dnn_sort_words.predict(s,c_list)
sort2 = self.dnn_sort_single_word.predict(s,c_list)
for i in sort1:
sort1[i] = (sort1[i]+ sort2[i])/2
sorts = sorted(sort1.items(),key=lambda x:x[-1],reverse=True)
return sorts[0][0],sorts[0][1]
class DNNSortWords:
def __init__(self,ws_path="./DNN2/data/ws_80000.pkl",save_path="./DNN2/model_keras/esim_model_softmax.ckpt"):
self.ws = pickle.load(open(ws_path, "rb"))
self.save_path = save_path
#TOOD ...
def predict(self,s,c_list):
"""
:param s:沒有分詞的
:param c_list: 帶比較的清單
:param ws:
:param ws_words:
:return:
"""
#TOOD ...
return sim_dict
class DNNSortSingleWord:
def __init__(self,ws_path="./DNN2/data/ws_word.pkl",save_path="./DNN2/data/esim_word_model_softmax.ckpt"):
self.ws = pickle.load(open(ws_path, "rb"))
self.save_path = save_path
#TOOD ...
def predict(self,s,c_list):
"""
:param s:沒有分詞的
:param c_list: 帶比較的清單
:param ws:
:param ws_words:
:return:
"""
#TOOD ...
return sim_dict
1.5 實作對聊天記錄的儲存
不同的使用者,連續10分鐘内的對話認為是一輪對話,如果10分還沒有下一次對話,認為該輪對話結束,如果10分鐘後開始對話,認為是下一輪對話。是要是為了儲存不同輪中的聊天主題,後續可以實作基本的對話管理。比如使用者剛問了python相關的問題,後續如果問題中不帶主體,那麼就把redis中的python作為其主體
主要實作邏輯為:
- 使用redis存儲使用者基本的資料
- 使用mongodb存儲對話記錄
具體思路如下:
- 根據使用者id,擷取對話id,根據對話id判斷目前的對話是否存在
- 如果對話id存在:
- 更新對話的entity,上一次對話的時間,設定對話id的過期時間
- 儲存資料到mongodb
- 如果對話id不存在:
- 建立使用者的基礎資訊(user_id,entity,對話時間)
- 把使用者的基礎資訊存入redis,同時設定對話id和過期時間
- 儲存資料到mongodb中
"""
擷取,更新使用者的資訊
"""
from pymongo import MongoClient
import redis
from uuid import uuid1
import time
import json
"""
### redis
{
user_id:"id",
user_background:{}
last_entity:[]
last_conversation_time:int(time):
}
userid_conversation_id:""
### monodb 存儲對話記錄
{user_id:,conversion_id:,from:user/bot,message:"",create_time,entity:[],attention:[]}
"""
HOST = "localhost"
CNVERSION_EXPERID_TIME = 60 * 10 # 10分鐘,連續10分鐘沒有通信,意味着會話結束
class MessageManager:
def __init__(self):
self.client = MongoClient(host=HOST)
self.m = self.client["toutiao"]["dialogue"]
self.r = redis.Redis(host=HOST, port=6379, db=10)
def last_entity(self, user_id):
"""最近一次的entity"""
return json.loads(self.r.hget(user_id, "entity"))
def gen_conversation_id(self):
return uuid1().hex
def bot_message_pipeline(self, user_id, message):
"""儲存機器人的回複記錄"""
conversation_id_key = "{}_conversion_id".format(user_id)
conversation_id = self.user_exist(conversation_id_key)
if conversation_id:
# 更新conversation_id的過期時間
self.r.expire(conversation_id_key, CNVERSION_EXPERID_TIME)
data = {"user_id": user_id,
"conversation_id": conversation_id,
"from": "bot",
"message": message,
"create_time": int(time.time()),
}
self.m.save(data)
else:
raise ValueError("沒有會話id,但是機器人嘗試回複....")
def user_message_pipeline(self, user_id, message, create_time, attention, entity=[]):
# 确定使用者相關的資訊
# 1. 使用者是否存在
# 2.1 使用者存在,傳回使用者的最近的entity,存入最近的對話
# 3.1 判斷是否為新的對話,如果是新對話,開啟新的回話,update使用者的對話資訊
# 3.2 如果不是新的對話,update使用者的對話資訊
# 3. 更新使用者的基本資訊
# 4 傳回使用者相關資訊
# 5. 調用預測接口,發來對話的結構
# 要儲存的data資料,缺少conversation_id
data = {
"user_id": user_id,
"from": "user",
"message": message,
"create_time": create_time,
"entity": json.dumps(entity),
"attention": attention,
}
conversation_id_key = "{}_conversion_id".format(user_id)
conversation_id = self.user_exist(conversation_id_key)
print("conversation_id",conversation_id)
if conversation_id:
if entity:
# 更新目前使用者的 last_entity
self.r.hset(user_id, "last_entity", json.dumps(entity))
# 更新最後的對話時間
self.r.hset(user_id, "last_conversion_time", create_time)
# 設定conversation id的過期時間
self.r.expire(conversation_id_key, CNVERSION_EXPERID_TIME)
# 儲存聊天記錄到mongodb中
data["conversation_id"] = conversation_id
self.m.save(data)
print("mongodb 儲存資料成功")
else:
# 不存在
user_basic_info = {
"user_id": user_id,
"last_conversion_time": create_time,
"last_entity": json.dumps(entity)
}
self.r.hmset(user_id, user_basic_info)
print("redis存入 user_basic_info success")
conversation_id = self.gen_conversation_id()
print("生成conversation_id",conversation_id)
# 設定會話的id
self.r.set(conversation_id_key, conversation_id, ex=CNVERSION_EXPERID_TIME)
# 儲存聊天記錄到mongodb中
data["conversation_id"] = conversation_id
self.m.save(data)
print("mongodb 儲存資料成功")
def user_exist(self, conversation_id_key):
"""
判斷使用者是否存在
:param user_id:使用者id
:return:
"""
conversation_id = self.r.get(conversation_id_key)
if conversation_id:
conversation_id = conversation_id.decode()
print("load conversation_id",conversation_id)
return conversation_id
2. 使用GRPC對外提供服務
2.1 安裝grpc相關環境
gRPC 的安裝:`pip install grpcio`
安裝 ProtoBuf 相關的 python 依賴庫:`pip install protobuf`
安裝 python grpc 的 protobuf 編譯工具:`pip install grpcio-tools`
2.2 定義GRPC的接口
//chatbot.proto 檔案
syntax = "proto3";
message ReceivedMessage {
string user_id = 1; //使用者id
string user_message = 2; //目前使用者傳遞的消息
int32 create_time = 3; //目前消息發送的時間
}
message ResponsedMessage {
string user_response = 1; //傳回給使用者的消息
int32 create_time = 2; //傳回給使用者的時間
}
service ChatBotService {
rpc Chatbot (ReceivedMessage) returns (ResponsedMessage);
}
2.3 編譯生成protobuf檔案
使用下面的指令編譯,得到
chatbot_pb2.py
和
chatbot_pb2_grpc.py
檔案
python -m grpc_tools.protoc -I. –python_out=. –grpc_python_out=. ./chatbot.proto
2.4 使用grpc提供服務
import dialogue
from classify import is_QA
from dialogue.process_sentence import process_user_sentence
from chatbot_grpc import chatbot_pb2_grpc
from chatbot_grpc import chatbot_pb2
import time
class chatServicer(chatbot_pb2_grpc.ChatBotServiceServicer):
def __init__(self):
#提前加載各種模型
self.recall = dialogue.Recall(topk=20)
self.dnnsort = dialogue.DNNSort()
self.chatbot = dialogue.Chatbot()
self.message_manager = dialogue.MessageManager()
def Chatbot(self, request, context):
user_id = request.user_id
message = request.user_message
create_time = request.create_time
#對使用者的輸出進行基礎的處理,如分詞
message_info = process_user_sentence(message)
if is_QA(message_info):
attention = "QA"
#實作對對話資料的儲存
self.message_manager.user_message_pipeline(user_id, message, create_time, attention, entity=message_info["entity"])
recall_list,entity = self.recall.predict(message_info)
line, score = self.dnnsort.predict(message,recall_list)
if score > 0.7:
ans = self.recall.get_answer(line)
user_response = ans["ans"]
else:
user_response = "不好意思,這個問題我還沒學習到..."
else:
attention = "chat"
# 實作對對話資料的儲存
self.message_manager.user_message_pipeline(user_id,message,create_time,attention,entity=message_info["entity"])
user_response = self.chatbot.predict(message)
self.message_manager.bot_message_pipeline(user_id,user_response)
user_response = user_response
create_time = int(time.time())
return chatbot_pb2.ResponsedMessage(user_response=user_response,create_time=create_time)
def serve():
import grpc
from concurrent import futures
# 多線程伺服器
server = grpc.server(futures.ThreadPoolExecutor(max_workers=10))
# 注冊本地服務
chatbot_pb2_grpc.add_ChatBotServiceServicer_to_server(chatServicer(), server)
# 監聽端口
server.add_insecure_port("[::]:9999")
# 開始接收請求進行服務
server.start()
# 使用 ctrl+c 可以退出服務
try:
time.sleep(1000)
except KeyboardInterrupt:
server.stop(0)
if __name__ == '__main__':
serve()
3. 使用supervisor完成對服務的管理
3.1 編寫簡單的執行腳本
#!/bin/bash
cd `$dirname`|exit 0
#source activate ds
python grpc_predict.py
添加可執行權限:
chmod +x 檔案名
3.2 安裝、配置supervisor
supervisor現在的官方版本還是python2的,但是可以使用下面的指令安裝python3版本
pip3 install git+https://github.com/Supervisor/supervisor
- 完成supervisor的配置檔案的編寫,conf中使用分号作為注釋符号
;conf.d [program:chat_service] command=/root/chat_service/run.sh ;執行的指令 stdout_logfile=/root/chat_service/log/out.log ;log的位置 stderr_logfile=/root/chat_service/log/error.log ;錯誤log的位置 directory=/root/chat_service ;路徑 autostart=true ;是否自動啟動 autorestart=true ;是否自動重新開機 startretries=10 ;失敗的最大嘗試次數
- 在supervisor的基礎配置中添加上述配置檔案
;/etc/supervisord/supervisor.conf [include] files=/root/chat_service/conf.d
- 運作supervisord
supervisord -c /etc/supervisord/supervisor.conf