知識星球
在大多數標準中，Flask都算是小型框架，小到可以稱為“微框架”，所以你一旦熟悉使用它，很可能就能讀懂他所有的原始碼，本專案是自己線下玩的專案，因此採用了Flask這種小而功能比較全的框架。
TensorFlow是Google於2015年11月9日正式開源的深度學習框架，提供了海量的深度學習模型的API,可以快速的實現深度學習模型的搭建。目前在GitHub上的star也是驚人：
基於Python的TnesoFlow介面，訓練seq2seq模型用於娛樂性的聊天機器人場景。 Seq2Seq被提出於2014年，最早由兩篇文章獨立地闡述了它主要思想，分別是Google Brain團隊的《Sequence to Sequence Learning with Neural Networks》和Yoshua Bengio團隊的《Learning Phrase Representation using RNN Encoder-Decoder for Statistical Machine Translation》。這兩篇文章針對機器翻譯的問題不謀而合地提出了相似的解決思路，Seq2Seq由此產生。Seq2Seq解決問題的主要思路是透過深度神經網路模型（常用的是LSTM，GRU)將一個作為輸入的序列對映為一個作為輸出的序列，這一過程由編碼（Encoder）輸入與解碼（Decoder）輸出兩個環節組成, 前者負責把序列編碼成一個固定長度的向量，這個向量作為輸入傳給後者，輸出可變長度的向量。
首先我們基於問答語料庫去訓練我們的seq2seq聊天機器人系統，其核心演演算法主要如下：
“`python def getmodel(feedprevious=False): “””
構造模型:seq2seq feed_previous
表示decoderinputs是我們直接提供訓練資料的輸入， 還是用前一個RNNCell的輸出映射出來的，如果feedprevious為True， 那麼就是用前一個RNNCell的輸出，並經過Wx+b線性變換 “””
learning_rate = tf.Variable(float(init_learning_rate), trainable=False, dtype=tf.float32)
learning_rate_decay_op = learning_rate.assign(learning_rate * 0.9)
encoder_inputs = []
decoder_inputs = []
target_weights = []
for i in range(input_seq_len):
encoder_inputs.append(tf.placeholder(tf.int32, shape=[None], name="encoder{0}".format(i)))
for i in range(output_seq_len + 1):
decoder_inputs.append(tf.placeholder(tf.int32, shape=[None], name="decoder{0}".format(i)))
for i in range(output_seq_len):
target_weights.append(tf.placeholder(tf.float32, shape=[None], name="weight{0}".format(i)))
# decoder_inputs左移一個時序作為targets
targets = [decoder_inputs[i + 1] for i in range(output_seq_len)]
cell = tf.contrib.rnn.BasicLSTMCell(size)
# 這裡輸出的狀態我們不需要
outputs, _ = seq2seq.embedding_attention_seq2seq(
encoder_inputs,
decoder_inputs[:output_seq_len],
cell,
num_encoder_symbols=num_encoder_symbols,
num_decoder_symbols=num_decoder_symbols,
embedding_size=size,
output_projection=None,
feed_previous=feed_previous,
dtype=tf.float32)
# 計算加權交叉熵損失
loss = seq2seq.sequence_loss(outputs, targets, target_weights)
# 梯度下降最佳化器
opt = tf.train.GradientDescentOptimizer(learning_rate)
# 最佳化標的：讓loss最小化
update = opt.apply_gradients(opt.compute_gradients(loss))
# 模型持久化
saver = tf.train.Saver(tf.global_variables())
return encoder_inputs, decoder_inputs, target_weights, outputs, loss, update, saver, learning_rate_decay_op, learning_rate
訓練好的模型會儲存在model檔案夾，供flask呼叫。我的語料是在網上找的一些還有就是自己編造了一些，語料很不規整也不全面，量也比較少，因此模型的表現並不是很理想，加上本身seq2seq模型的不可控性，會出現聊天機器人比較傻叉的回答和答非所問的情況（這個如果要商用還得考慮更多其他的trick這裡只是娛樂性的嘗試）。
我用CPU訓練了10000個epoch，經過308分鐘，模型訓練好了。。。（此處應該有掌聲）
下麵就是基於flask搭建一套線上聊天系統了，這裡基於redis快取資料庫的訂閱與傳送機制實現一個簡單的SSE事件流（這個方法是我參考了GitHub一位大神的思路），當然我們也可以基於Flask-SSE模組，下麵是專案的結構，和部分核心程式碼：
專案結構：
flask核心演演算法：
python app.secret_key='xujing in inter-credit'
redis資料庫
r=redis.StrictRedis(host='xxx.xxx.xxx.xxx',port=6379,db=123,decode_responses=True)
定義事件流
def eventstream():
pubsub=r.pubsub() #用於檢視訂閱與釋出系統狀態，傳回由活躍頻道組成的串列
pubsub.subscribe('lxchat') #用於訂閱給定的一個或多個頻道的資訊，傳回接收到的資訊
for message in pubsub.listen(): #監聽活躍頻道組成的串列
print(message)
yield 'data:{}\n\n'.format(message['data'])
傳送訊息
@app.route('/send',methods=['POST'])
def post():
message=flask.request.form['message']
user=flask.session.get('user','anonymous')
now=datetime.datetime.now().replace(microsecond=0).time() #日期去掉毫秒，只取時間 little_x = predict(message) #呼叫模型做預測
r.publish('lx_chat','[{}] {} : {}xujing_replace[{}] 小X : {}'.format(now.isoformat(),user,me
訓練好了模型,有了flask的呼叫，現在就可以在伺服器上部署了，可以使用flask+nginx+uwsgi的方式部署這個聊天系統，體驗一下和機器人的尬聊：（下麵截圖，看我如何尬聊）
登入介面：
開始聊天：
這隻是一個不成功的嘗試，要提高聊天機器人的聊天質量，呼叫速度，聊天介面的人機互動和美觀性，還有很長的路要走，更不是一個人可以完美搞定的，我再努力最佳化。
專案所有原始碼我已託管到
GitHub：https://github.com/DataXujing/xiaoX (點選閱讀原文即可)
進來之後帶走原始碼，留下Star和issues。
溫馨提示，想要執行程式碼別忘了安裝必要的模組:
pip install -r requirements.txt
作者：徐靜
源自：https://zhuanlan.zhihu.com/p/41223006