训练聊天机器人
本帖最后由 元始天尊 于 2017-10-7 21:30 编辑1. 初始化chatterbot
安装python3.x
git clone https://github.com/gunthercox/ChatterBot.git
cd ChatterBot
python setup.py install
2. 编写我们的机器人
from chatterbot import ChatBot
from chatterbot.trainers import ChatterBotCorpusTrainer
# Create a new instance of a ChatBot
bot = ChatBot(
"Terminal",
storage_adapter="chatterbot.storage.SQLStorageAdapter",
input_adapter="chatterbot.input.TerminalAdapter",
output_adapter="chatterbot.output.TerminalAdapter",
logic_adapters = [
"chatterbot.logic.BestMatch", # 最优逻辑匹配
"chatterbot.logic.MathematicalEvaluation" # 数学计算
]
)
bot.set_trainer(ChatterBotCorpusTrainer)
bot.train("chatterbot.corpus.english") # 训练集成库
bot.train("chatterbot.corpus.chinese")
# bot.train("./data/test.yml")
CONVERSATION_ID = bot.storage.create_conversation()
print("Type something to begin...")
# The following loop will execute each time the user enters input
while True:
try:
input_statement = bot.input.process_input_statement()
statement, response = bot.generate_response(input_statement, CONVERSATION_ID)
bot.output.process_response(response)
# Press ctrl-c or ctrl-d on the keyboard to exit
except (KeyboardInterrupt, EOFError, SystemExit):
break
ai.yml Training: [####################] 100%
botprofile.yml Training: [####################] 100%
computers.yml Training: [####################] 100%
conversations.yml Training: [####################] 100%
drugs.yml Training: [####################] 100%
emotion.yml Training: [####################] 100%
food.yml Training: [####################] 100%
gossip.yml Training: [####################] 100%
greetings.yml Training: [####################] 100%
history.yml Training: [####################] 100%
humor.yml Training: [####################] 100%
literature.yml Training: [####################] 100%
money.yml Training: [####################] 100%
movies.yml Training: [####################] 100%
politics.yml Training: [####################] 100%
psychology.yml Training: [####################] 100%
science.yml Training: [####################] 100%
sports.yml Training: [####################] 100%
trivia.yml Training: [####################] 100%
conversations.yml Training: [####################] 100%
greetings.yml Training: [####################] 100%
trivia.yml Training: [####################] 100%
Type something to begin...
3. 测试
Q:how are you
A:Who? Who is but a form following the function of what
Q:Hi
A:How are you doing?
Q:I'm doing well
A:That is good to hear
Q:What is one plus one
A:( 1 + 1 ) = 2
Q:嗨
A:你好
深度学习领域令人惊艳的成果：
neural-style：利用卷积神经网络将一幅图像的内容与另一幅图像的风格相结合
https://github.com/jcjohnson/neural-style
Nerual Doodles：把 2 位的 Doodle 转成精良的艺术品
https://github.com/alexjc/neural-doodle
srez：通过深度学习极大提高模糊图片的分辨率
https://github.com/david-gpu/srez
Face2Face：实时捕获面部表情，调换到另外一个人的面部
http://www.graphics.stanford.edu/~niessner/thies2016face.html
open_nsfw：成人图片分类器，雅虎出品
https://github.com/yahoo/open_nsfw
DeepLearningFlappyBird：通过 Deep Q-Network 来玩 Flappy Bird，要是你以前被 Flappy Bird 虐过，可以来试试这个。
https://github.com/yenchenlin/DeepLearningFlappyBird
RoCAlphaGo：根据 DeepMind 公开论文，完成的 AlphaGo 复制品
https://github.com/Rochester-NRT/RocAlphaGo
LipNet：利用深度学习的读唇程序
牛津大学 AI 实验室出品，精确度远超常人。在特定测试中，常人精确率是 52.3%，LipNet 达到了 93.4%。
http://www.oxml.co.uk/publications/2016-Assael_Shillingford_LipNet.pdf
Miles Deep：成人视频分类器，精确度达到 95%，借助深度卷积神经网络，Miles Deep 可以快速针对成人视频每秒画面分类。根据性行为分了 6 个分类，精确度达到 95%。借助这个工具，可以自动编辑视频，删掉所有无性接触的场景。和第 5 个雅虎的成人图片分类器不同的是，Miles Deep 能给区分裸体和各种露骨性行为之间的区别。Miles Deep 作者称，这是目前为止，第一个公共色情图片分类或编辑工具。
https://github.com/ryanjay0/miles-deep
图片说明生成模型：这是 Oriol Vinyals et. al.（2016）的论文“Show and Tell: Lessons learned from the 2015 MSCOCO Image Captioning Challenge”的用TensorFlow实现的 image-to-text 图片说明生成模型。Show and Tell 模型是一个学习如何描述图片的深度神经网络。生成的图片说明是一个完整的句子
GitHub 地址：https://github.com/tensorflow/models/tree/master/im2txt
图片标题生成器：循环神经网络（RNN）可以用于给图像取标题。NeuralTalk2 比原始版本的 NeuralTalk 更快而且性能更好。与原来的 NeuralTalk 相比，NeuralTalk2 的实现是批量的，可以使用 Torch 在 GPU上运行，并且支持 CNN 微调。这些都使得语言模型（~100x）的训练速度大大加快，但由于我们还有一个 VGGNet，因此总体上的提升没有很多。但是这仍然是个好模型，可以在 2~3 天里训练好，而且表现出的性能非常好。Google Brain 2016年9月22日发布了 Vinyals et al.（2015）的图说模型（前文介绍的Show and Tell 模型）。它的核心模型与 NeuralTalk2（一个CNN后面跟着RNN）非常相似，但由于 Google 有更好的CNN，加上一些小技巧和更细致的工程，Google 发布的模型应该比 NeuralTalk2 的效果更好。这个项目里用 Torch 实现的代码将作为教育目的保留。
Github 地址：https://github.com/karpathy/neuraltalk2
灰度图像自动上色：Colornet 是一个给灰度图像自动上色的神经网络
https://github.com/pavelgonchar/colornet
根据图像内容生成一个小故事：Neural-storyteller 是一个能够根据图像内容生成一个小故事的循环神经网络。这个 GitHub 库里包含了使用任意图像生成故事的代码，以及用于训练新模型的说明
GitHub 地址：https://github.com/ryankiros/neural-storyteller
生成爵士音乐：这是一个使用 Keras 和 Theano 生成爵士乐的深度学习项目。作者 Ji-Sung Kim 在参加黑客马拉松（hackathon）的36个小时内建成这个模型，它使用两个深度学习库 Keras 和 Theano 生成爵士音乐。具体来说，它构建两层的 LSTM，从跟定的 MIDI 文件中学习，利用深度学习技术生成音乐
https://github.com/jisungk/deepjazz
2D弹球AI：这个项目包含 DQN 3.0 的源代码，DQN 3.0 是一个基于 Lua 的深度增强学习架构，该架构对再现 DeepMind 2015年的 Nature 论文“Human-level control through deep reinforcement learning”是必要的。为了复制 DeepMind 的实验结果
https://github.com/kuz/DeepMind-Atari-Deep-Q-Learner
创作艺术和谱写曲子：Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta使用了 TensorFlow系统。研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。Project Magenta就试图将故事作为机器生成音乐的重要部分。Google公布了一个DEMO（MP3）表现Magenta项目的成果。
https%3A//github.com/tensorflow/magenta
https://deepmind.com/blog/wavenet-generative-model-raw-audio/
设计字体：
https://erikbern.com/2016/01/21/analyzing-50k-fonts-using-deep-neural-networks/
小范围的补全照片：
https://bamos.github.io/2016/08/09/deep-completion/
最新进展deeplearninggallery 好东西,顶顶学习一下. 果然厉害。学 都是大神啊
页:
[1]