智能交互助手 - 开发环境搭建

关于环境，大概每个人都不能完全一样，以我自己的为例吧：

硬件一台PC机:
CPU: Intel(R) Core(TM) i7-4790K CPU @ 4.00GHz
内存: 16GB
硬盘: 几十G剩余空间总是要的，根据你的训练语料数据量吧。文本的还好，Tacotron的语音训练数据比较占用空间
显卡: GeForce GTX 1070 （NLP的训练勉强能用，有钱上更高级的）

软件层面：
OS: 根据个人情况吧，我喜欢用Centos，用Ubuntu甚至Windows也无所谓吧
Docker: 这个建议来搞起来，各种折腾软件组合和软件版本比较方便
Tensorflow: Docker镜像用的 tensorflow/tensorflow:latest-gpu
tf可以提供各种镜像，cpu/gpu的，带python3的，因为我是想自己装的python3.6.8所以Dockerfile里面用的是gpu版本，然后在Dockerfile里面生成自己的镜像，包括一些os的软件包还有python的软件包都装好了。

Dockerfile部分内容分享：

FROM tensorflow/tensorflow:latest-gpu

MAINTAINER Shawn

COPY packages/* /root/
RUN cp /etc/apt/sources.list /etc/apt/sources.list.bak \
    && echo "deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial main restricted universe multiverse" > /etc/apt/sources.list \
    && echo "deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse" >> /etc/apt/sources.list \
    && echo "deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse" >> /etc/apt/sources.list \
    && echo "deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ xenial-security main restricted universe multiverse" >> /etc/apt/sources.list \
    && apt-get update \
    && apt-get remove -y python \
    && apt-get remove --auto-remove -y python \
    && apt-get purge -y python \
    && apt-get purge --auto-remove -y python \
    && rm -fr /usr/local/bin/pip* /usr/local/bin/python* \
    && rm -fr /usr/local/lib/python* \
    && apt-get install -y --no-install-recommends tmux vim build-essential wget git-core openssl libssl-dev curl gcc cmake \
    && apt-get clean \
    && cd /root \
    && tar xvzf Python-3.6.8.tgz \
    && cd Python-3.6.8 \
    && ./configure --enable-optimizations \
    && make \
    && make install \
    && cd /usr/local/bin \
    && ln -s python3 python \
    && ln -s pip3 pip

Tensorflow的docker环境搭建还是看官方文档吧

https://tensorflow.google.cn/install/docker

Docker安装

我这里目前用到的各种image列表

Docker images

其中可以看到tensorflow/tensorflow 有两个tag的，1.11.0-gpu-py3是gpu的版本主要用来训练的，但是因为显卡显存不多，基本上日常运行就没用gpu的版本。
所以就还有个1.14.0-py3的tag，就是用cpu来跑rasa框架，训练好的模型个人用cpu的速度也还好，并没有多少并发的需求。

Rasa部分

Rasa github
rasa: https://github.com/RasaHQ/rasa
rasa-sdk: https://github.com/RasaHQ/rasa-sdk

单独的SDK就是独立的环境下跑rasa的custom action用的（暂时可以先不管，后面讲到的时候就明白了）

假设你的用户目录是 /home/try

那么你可以创建个项目目录

mkdir /home/try/chatbot

跟chatbot同一级的目录下把rasa拉到本地

cd /home/try/
git clone https://github.com/RasaHQ/rasa.git
git clone https://github.com/RasaHQ/rasa-sdk.git

在chatbot下创建相应的链接

cd /home/try/chatbot/
link -s ../rasa/rasa .
link -s ../rasa-sdk/rasa_sdk .

关于rasa依赖的包，可以在Dockerfile中预先安装好，也可以单独安装

cd /home/try/rasa/
pip install -r requirements.txt

cd /home/try/rasa-sdk/
pip install -r requirements.txt