0

我已经使用以下配置训练了一个 RASA NLU 模型

language: en
pipeline:
- name: "pretrained_embeddings_convert"

此配置默认为组件列表，

language: "en"

pipeline:
- name: "SpacyNLP"
- name: "SpacyTokenizer"
- name: "SpacyFeaturizer"
- name: "RegexFeaturizer"
- name: "CRFEntityExtractor"
- name: "EntitySynonymMapper"
- name: "SklearnIntentClassifier"

此外，我还尝试了所有其他现成的配置supervised_embeddings and pretrained_embeddings_spacy，例如自定义配置。实例化 Trainer 对象需要 6~9 秒的加载时间。同样，当我尝试加载持久模型进行推理时，

interpreter = Interpreter.load('../path_to_trained_model')

再次加载它需要几乎相同的 6~9 秒。无论如何，这可以减轻吗？还是我做错了什么？因为我想按需提供这些模型，这需要更快的加载时间。

4

1 回答 1

0

supervised_embeddings（见这里）是加载时间最短的管道，因为它不加载任何预训练的词嵌入。

pretained_embeddings_convert并且pretrained_embeddings_spacy两者都在启动时加载单词嵌入（分别是 theConveRT和spacy嵌入），它们的大小非常大，因此需要一些时间来加载。

因此，如果快速加载时间很重要，我建议使用supervised_embeddings. 但是，一旦加载了模型，推理时间相对较快，因此您只需要等待那几秒钟一次。

PS：如果你还没有加入我们的社区论坛，这些问题经常得到解答

于 2020-02-07T09:03:44.183 回答