引入Redis

项目github链接

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。

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中

这三个文件，以及词汇表文件

然后直接运行连接中的py脚本进行测试即可。

最终实现效果如下：

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。