集成Netty
通過上一節的學習我們已經可以訓練得到一隻傲嬌的聊天AI_PigPig了。
本章將介紹項目關於Netty的集成問題，將其我們的AI_PigPig可以通過web應用與大家日常互撩。
由於只是一個小測試，所以不考慮性能方面的問題，在下一章我們將重點處理效率難關，集成Redis。
關於Netty的學習大家可以看我的另一篇文章，本節中關於Netty部分的代碼改編自該文章中的netty聊天小練習，文章中會有詳細的講解。
Python代碼改動
首先對測試訓練結果的代碼進行改動，將輸入輸出流重定向自作爲中間媒介的測試文件中。
with tf.Session() as sess:#打開作爲一次會話
# 恢復前一次訓練
ckpt = tf.train.get_checkpoint_state('.')#從檢查點文件中返回一個狀態(ckpt)
#如果ckpt存在，輸出模型路徑
if ckpt != None:
print(ckpt.model_checkpoint_path)
model.saver.restore(sess, ckpt.model_checkpoint_path)#儲存模型參數
else:
print("沒找到模型")
#測試該模型的能力
while True:
#從文件中進行讀取
#input_string = input('me > ')
#測試文件輸入格式爲"[內容]:[名字]"
#eg.你好:AI【表示AI的回覆】
#你好:user【表示用戶的輸入】
with open('./temp.txt','r+',encoding='ANSI') as myf:
#從文件中讀取用戶的輸入
line=myf.read()
list1=line.split(':')
#長度爲一，表明不符合輸入格式，設置爲"no",則不進行測試處理
if len(list1)==1:
input_string='no'
else:
#符合輸入格式，證明是用戶輸入的
#input_string爲用戶輸入的內容
input_string=list1[0]
myf.seek(0)
#清空文件
myf.truncate()
#寫入"no"，若讀到"no"，則不進行測試處理
myf.write('no')
# 退出
if input_string == 'quit':
exit()
#若讀到"no",則不進行測試處理
if input_string != 'no':
input_string_vec = []#輸入字符串向量化
for words in input_string.strip():
input_string_vec.append(vocab_en.get(words, UNK_ID))#get()函數：如果words在詞表中，返回索引號；否則，返回UNK_ID
bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])#保留最小的大於輸入的bucket的id
encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)
#get_batch(A,B):兩個參數，A爲大小爲len(buckets)的元組，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)
#得到其輸出
outputs = [int(np.argmax(logit, axis=1)) for logit in output_logits]#求得最大的預測範圍列表
if EOS_ID in outputs:#如果EOS_ID在輸出內部，則輸出列表爲[,,,,:End]
outputs = outputs[:outputs.index(EOS_ID)]
response = "".join([tf.compat.as_str(vocab_de[output]) for output in outputs])#轉爲解碼詞彙分別添加到回覆中
print('AI-PigPig > ' + response)#輸出回覆
#將AI的回覆以要求的格式進行寫入,方便Netty程序讀取
with open('./temp1.txt','w',encoding='ANSI') as myf1:
myf1.write(response+':AI')Netty程序
完整代碼參見鏈接netty包下。
在原本的ChatHandler類中添加了從文件中讀取數據的方法readFromFile，以及向文件中覆蓋地寫入數據的方法writeToFile。
//從文件中讀取數據
private static String readFromFile(String filePath) {
File file=new File(filePath);
String line=null;
String name=null;
String content=null;
try {
//以content:name的形式寫入
BufferedReader br=new BufferedReader(new FileReader(file));
line=br.readLine();
String [] arr=line.split(":");
if(arr.length==1) {
name=null;
content=null;
}else {
content=arr[0];
name=arr[1];
}
br.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return content;
}
//向文件中覆蓋地寫入
private static void writeToFile(String filePath,String content) {
File file =new File(filePath);
try {
FileWriter fileWriter=new FileWriter(file);
fileWriter.write("");
fileWriter.flush();
fileWriter.write(content);
fileWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
}對原來的channelRead0方法進行修改，將輸入輸出流重定向到臨時文件中。
@Override
protected void channelRead0(ChannelHandlerContext ctx, TextWebSocketFrame msg) throws Exception {
System.out.println("channelRead0");
//得到用戶輸入的消息，需要寫入文件/緩存中，讓AI進行讀取
String content=msg.text();
if(content==null||content=="") {
System.out.println("content 爲null");
return ;
}
System.out.println("接收到的消息："+content);
//寫入
writeToFile(writeFilePath, content+":user");
//給AI回覆與寫入的時間，後期會增對性能方面進行改進
Thread.sleep(1000);
//讀取AI返回的內容
String AIsay=readFromFile(readFilePath);
//讀取後馬上寫入
writeToFile(readFilePath,"no");
//沒有說，或者還沒說
if(AIsay==null||AIsay==""||AIsay=="no") {
System.out.println("AIsay爲空或no");
return;
}
System.out.println("AI說："+AIsay);
clients.writeAndFlush(
new TextWebSocketFrame(
"AI_PigPig在"+LocalDateTime.now()
+"說："+AIsay));
}
客戶端代碼
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" />
<title></title>
</head>
<body>
<div>發送消息:</div>
<input type="text" id="msgContent"/>
<input type="button" value="點我發送" onclick="CHAT.chat()"/>
<div>接受消息：</div>
<div id="receiveMsg" style="background-color: gainsboro;"></div>
<script type="application/javascript">
window.CHAT = {
socket: null,
init: function() {
if (window.WebSocket) {
CHAT.socket = new WebSocket("ws://192.168.0.104:8088/ws");
CHAT.socket.onopen = function() {
console.log("連接建立成功...");
},
CHAT.socket.onclose = function() {
console.log("連接關閉...");
},
CHAT.socket.onerror = function() {
console.log("發生錯誤...");
},
CHAT.socket.onmessage = function(e) {
console.log("接受到消息：" + e.data);
var receiveMsg = document.getElementById("receiveMsg");
var html = receiveMsg.innerHTML;
receiveMsg.innerHTML = html + "<br/>" + e.data;
}
} else {
alert("瀏覽器不支持websocket協議...");
}
},
chat: function() {
var msg = document.getElementById("msgContent");
CHAT.socket.send(msg.value);
}
};
CHAT.init();
</script>
</body>
</html>測試結果
客戶端發送消息
用戶與AI日常互撩
