大象笔记
对话机器人 Rasa （三）：基于规则添加一个意图对应的回复
使用 Rasa rules.yml 是最简单的指定回复内容的方式，即，添加一条匹配规则。
添加一个意图对应的回复，需要编辑三个文件。
以回复用户的夸奖为例：
## nlu.yml
意图识别：
data/nlu.
对话机器人 Rasa （二）：中文支持
[Rasa 安装](/install-chat-robot-framework-rasa)之后，默认是不支持中文对话的。
## 学习、配置的策略
查到的示例，pipeline 配置各不相同，不动手试，难以知道相互间的优劣。
Rasa NLU pipeline 组件列表
## 官方文档
https://rasa.com/docs/rasa/components
记录几个感觉比较重要的：
## 语言模型 Language Model
- MitieNLP: 预训练的语言模型之一，需要指定模
对话机器人 Rasa（二十一）：Rasa 项目的 gitignore 配置
[rasa init 初始化项目](/install-chat-robot-framework-rasa)之后，可以看到增加了很多不需要添加到 git 项目管理中的文件，例如
- 模型文件。默认的模型文件大小就有 24M。
- ca
开源对话机器人框架 Rasa (一)：安装
需求是实现一个特定领域的问答功能，交互模式类似跟 ChatGPT/文心一言聊天一样，或者是购物平台中的客服机器人。
基于 ChatGPT 的开源实现来训练模型肯定不现实，毕竟这么大的模型，训练成本极高，而且现实需求也不需要这么庞大的功能，
yolov5 pytorch mobile 模型导入 Android，实现图片目标检测
由于 yolov5 相关的 TensorFlow Lite 示例代码太少，而且都是旧版本的示例，导致我完全不知道怎么上手。
所以转投 pytorch mobile 的方案，主要是 facebook 官方的示例代码非常完整，且清晰明了，容易
yolo v5 导出 Android 手机上可以运行的 TFLite 模型
TFLite 是 TensorFlow Lite 的缩写。TFLite 在 Android 上的运行速度更快，因为它专门针对移动设备进行了优化。但是，最后我发现我实在找不到在 Android 上执行 yolov5 TFLite 模型的示例，
YOLO v5 PyTorch 训练数据标注文件 YAML 格式
从 roboflow 标注数据之后，导出的 YOLO v5 PyTorch 配置文件 YAML 格式 (TXT annotations and YAML config used with YOLOv5)，里面的文件路径非常不友好，每次都需要
迟到的 ChatGPT 试用感受
ChatGPT 已经火了一段时间了，我之前没有在实际工作中体验过这个工具，但是这个周由于看了[百度文心一言的发布会](/baidu-wen-xin-word)，突然来了兴趣。
## 总体感受
非常震撼。ChatGPT 在很多问题的解
虚拟的 CPE 设备向 ACS 模拟 SOAP 请求
开发环境没有真实的 CPE 设备，只能找一个虚拟的 CPE 模拟器，来模拟与 ACS 的通信。
同时需要能支持 CPE Server 服务来处理 ACS 的请求。
找到一个开源的实现。唯一不确定的是，是否是[标准的 TR069