学习笔记（24）- plato-训练中文模型

先处理中文语料。参考上篇笔记

1. 准备model_definition_file文件

官方文档给了例子，

plato/example/config/ludwig/metalWOZ_seq2seq_ludwig.yaml

---
  
input_features:
    -
        name: user
        type: text
        level: word
        encoder: rnn
        cell_type: lstm
        reduce_output: null

output_features:
    -
        name: system
        type: text
        level: word
        decoder: generator
        cell_type: lstm
        attention: bahdanau

training:
  epochs: 100

2. 开始训练模型

注意模型的保存路径

ludwig train 
       --data_csv data/metalwoz.csv 
       --model_definition_file plato/example/config/ludwig/metalWOZ_seq2seq_ludwig.yaml 
       --output_directory "models/joint_models/"

3. 写类文件，加载模型

模型训练完毕之后，就可以使用了。

那么如何使用呢？ 需要写类实现接口。

写一个类，继承Conversational Module，来加载和查询模型。
这个类只需要加载模型，查询并负责输出。
我们需要把输入文本转换为pandas dataframe，从输出捕获预测序列，将他们组织为字符串，并返回。
参考 plato.agent.component.joint_model.metal_woz_seq2seq.py

package: plato.agent.component.joint_model.metal_woz_seq2seq
class: MetalWOZSeq2Seq

文件：
plato/agent/component/joint_model/metal_woz_seq2seq.py

"""
MetalWOZ is an MetalWOZ class that defines an interface to Ludwig models.
"""


class MetalWOZSeq2Seq(ConversationalModule):
    ……

4. 运行Agent

写一个yaml文件，就可以运行Agent了，
参考plato/example/config/application/metalwoz_generic.yaml ，这是一个seq2seq的例子。

plato run --config metalwoz_text.yaml

plato/example/config/application/metalwoz_text.yaml

5. 测试结果

可以做一些输入和测试，看看效果