kelijah

Любой, кто начинает изучать Питон, быстро узнает такую фичу языка, как создание нового атрибута объекта в результате присваивания:
( Read more...Collapse )

Репозиторий проекта: https://github.com/adamtiger/NNSharp

Файлы со скриптом тренировки простейшей рекуррентной модели на Keras и использование в C#: https://gist.github.com/Koziev/ce781f1acd9df0bb34a7e5d89411bb1e

Сразу надо сказать, что входящий в NNSharp скрипт KerasModeltoJSON.py может работать только с так называемыми sequential моделями Keras. Более удобные и функционально более гибкие functional модели вызывают ошибку в строке 29, когда делается попытка получить размеры данных на первом слое. У functional моделей может быть несколько входов, поэтому этот подход не работает.

Тем не менее, я сделал простейшую sequential модель, которая вычисляет сумму 10 случайных чисел от 0 до 10.

И в C# мне не удалось получить адекватные результаты. В частности, сумма десяти нулей дает результат, существенно отличающийся от выдачи самой Keras модели после обучения.

Тем не менее не исключаю собственный косяк. И пока остаюсь сторонником прямого подхода - создание микросервисов с flask+keras, чтобы не заниматься в бою отладкой глюков преобразования моделей.

1. Текущая реализация чатбота имеет примитивнейшие зачаточные функции проактивного диалога и knowledge mining'а. Но кроме ограниченности самих функций, проблему составляет и "туповатость" модели понимания (интерпретации), что видно по последнему вопросу чатбота, когда он не понял последний мой ответ:
( Read more...Collapse )

Что там с бозоном?

У обычного человека, более-менее интересующегося околонаучными новостями, для слова "бозон" скорее всего ассоциируются "Хиггс",  "коллайдер" и прочее. А что можно сказать по поводу следующего фрагмента:

"Происхождение Бозона неизвестно. Он родился не позже 800 года. Известно о нём не очень много. Его владения находились в Италии."

Звучит странно? Странно. Тем не менее, это достоверный факт, насколько можно верить википедии - см. викистатью Бозон Древний. Вообще, со словом "бозон" связано множество викистатей, что делает вторую часть рассказа про взаимную информацию немного более интригующей.
( Read more...Collapse )

В репозиторий https://github.com/Koziev/NLP_Datasets выложен мой датасет с данными об ударениях.
Примерно такой объем был использован в коде лексического шаблонизатора для конкурса ClassicAI.
Поясненения есть в README.md, сам упакованный датасет доступен по ссылке.

Используется Flask плюс jinja для отрисовки тестовой страницы с диалоговой формой. Исходники тут и тут. В браузере выглядит так:
( Read more...Collapse )

Исходный текст аппликатора модели в чатботе доступен в репозитории.
То, что делает эта модель, можно пояснить таким примером диалога:
( Read more...Collapse )

Вообще я планировал, что в каком-то виде алгоритм, или его части, созданный для https://classic.sberbank.ai, будет использоваться в чатботе при генерации ответа. У него среди прочего есть такая интересная особенность, что он рандомизирован, и может выдавать разные ответы на каждую попытку - то, чего не хватает сейчас чат-боту.

Например:
( Read more...Collapse )

Тренер модели и тестирующая часть доступны в файле nn_chargenerator.py.
Готовая модель натренирована на моем датасете вопросов и ответов, она выложена тут (файлы nn_chargenerator.*). Ее назначение - генерация ответа чатбота при наличии нескольких предпосылок (от 0 до 3) и вопроса. В рассматриваемом случае предпосылок нет, текст вопроса содержит в себе все необходимое.

Запускать в консоли надо так: python nn_chargenerator.py --run_mode query

Ответы модели на вопросы "Сколько букв в слове ...?":
( Read more...Collapse )