引入Redis|tensorflow实现聊天AI--PigPig养成记(3)

向右看齐 2022-03-07 10:26 146阅读 0赞

# 引入Redis #

[项目github链接][github]

在集成Netty之后，为了提高效率，我打算将消息存储在Redis缓存系统中，本节将介绍Redis在项目中的引入，以及前端界面的开发。

引入Redis后，[完整代码链接][Link 1]。

想要直接得到训练了13000步的聊天机器人可以直接下载[链接][github]中  
![在这里插入图片描述][squares.svg]  
这三个文件，以及词汇表文件  
![在这里插入图片描述][squares.svg]  
然后直接运行连接中的py脚本进行测试即可。  
![在这里插入图片描述][squares.svg]

最终实现效果如下：

![在这里插入图片描述][squares.svg]

## 在Netty中引入Redis ##

import java.io.BufferedReader;
    import java.io.BufferedWriter;
    import java.io.File;
    import java.io.FileNotFoundException;
    import java.io.FileReader;
    import java.io.FileWriter;
    import java.io.IOException;
    import java.time.LocalDateTime;
    
    import io.netty.channel.ChannelHandlerContext;
    import io.netty.channel.SimpleChannelInboundHandler;
    import io.netty.channel.group.ChannelGroup;
    import io.netty.channel.group.DefaultChannelGroup;
    import io.netty.handler.codec.http.websocketx.TextWebSocketFrame;
    import io.netty.util.concurrent.GlobalEventExecutor;
    import redis.clients.jedis.Jedis;
    
    public class ChatHandler 
        extends SimpleChannelInboundHandler<TextWebSocketFrame>{
        private static ChannelGroup clients=
                new DefaultChannelGroup(GlobalEventExecutor.INSTANCE);
        
        @Override
        protected void channelRead0(ChannelHandlerContext ctx, TextWebSocketFrame msg) throws Exception {
            System.out.println("channelRead0...");
            
            //连接redis
            Jedis jedis=new Jedis("localhost");
            System.out.println("连接成功...");
            System.out.println("服务正在运行："+jedis.ping());
            
            //得到用户输入的消息，需要写入文件/缓存中，让AI进行读取
            String content=msg.text();
            if(content==null||content=="") {
                System.out.println("content 为null");
                return ;
            }
            System.out.println("接收到的消息："+content);
    
            //写入缓存中
            jedis.set("user_say", content+":user");
            
            Thread.sleep(1000);
            //读取AI返回的内容
            String AIsay=null;
            while(AIsay=="no"||AIsay==null) {
                //从缓存中读取AI回复的内容
                AIsay=jedis.get("ai_say");
                String [] arr=AIsay.split(":");
                AIsay=arr[0];
            }
    
            //读取后马上向缓存中写入
            jedis.set("ai_say", "no");
            //没有说，或者还没说
            if(AIsay==null||AIsay=="") {
                System.out.println("AIsay==null||AIsay==\"\"");
                return;
            }
            System.out.println("AI说："+AIsay);
            
            clients.writeAndFlush(
                    new TextWebSocketFrame(
                            "AI_PigPig在"+LocalDateTime.now()
                            +"说："+AIsay));
        }
        
        @Override
        public void handlerAdded(ChannelHandlerContext ctx) throws Exception {
            System.out.println("add...");
            clients.add(ctx.channel());
        }
        
        @Override
        public void handlerRemoved(ChannelHandlerContext ctx) throws Exception {
            System.out.println("客户端断开，channel对应的长id为："
                    +ctx.channel().id().asLongText());
            System.out.println("客户端断开，channel对应的短id为："
                    +ctx.channel().id().asShortText());
        }
     
    }

## 在Python中引入Redis ##

with tf.Session() as sess:#打开作为一次会话
        # 恢复前一次训练
        ckpt = tf.train.get_checkpoint_state('.')#从检查点文件中返回一个状态(ckpt)
        #如果ckpt存在，输出模型路径
        if ckpt != None:
            print(ckpt.model_checkpoint_path)
            model.saver.restore(sess, ckpt.model_checkpoint_path)#储存模型参数
        else:
            print("没找到模型")
        r.set('user_say','no')
        #测试该模型的能力
        while True:
            line='no'
            #从缓存中进行读取
            while line=='no':
                line=r.get('user_say').decode()
                #print(line)
            list1=line.split(':')
            if len(list1)==1:
                input_string='no'
            else:
                input_string=list1[0]
                r.set('user_say','no')
                              
            
        # 退出
            if input_string == 'quit':
               exit()
            if input_string != 'no':
                input_string_vec = []#输入字符串向量化
                for words in input_string.strip():
                    input_string_vec.append(vocab_en.get(words, UNK_ID))#get()函数：如果words在词表中，返回索引号；否则，返回UNK_ID
                    bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])#保留最小的大于输入的bucket的id
                    encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)
                    #get_batch(A,B):两个参数，A为大小为len(buckets)的元组，返回了指定bucket_id的encoder_inputs,decoder_inputs,target_weights
                    _, _, output_logits = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)
                    #得到其输出
                    outputs = [int(np.argmax(logit, axis=1)) for logit in output_logits]#求得最大的预测范围列表
                    if EOS_ID in outputs:#如果EOS_ID在输出内部，则输出列表为[,,,,:End]
                        outputs = outputs[:outputs.index(EOS_ID)]
                 
                    response = "".join([tf.compat.as_str(vocab_de[output]) for output in outputs])#转为解码词汇分别添加到回复中
                    print('AI-PigPig > ' + response)#输出回复
                    #向缓存中进行写入
                    r.set('ai_say',response+':AI')

下一节将讲述通信规则的制定，以规范应用程序。

[github]: https://github.com/ShimmerPig/Chatbot
[Link 1]: https://github.com/ShimmerPig/Chatbot/tree/master/%E5%8A%A0%E5%85%A5Redis
[squares.svg]: /images/20220307/4976fae67ce14c0788794c132a299ae7.png