本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍_train_graph()函数中变量的具体值。
一.rasa/model_training.py/_train_graph()函数
_train_graph()函数实现，如下所示：
def _train_graph(
file_importer: TrainingDataImporter,
training_type: TrainingType,
output_path: Text,
fixed_model_name: Text,
model_to_finetune: Optional[Union[Text, Path]] = None,
force_full_training: bool = False,
dry_run: bool = False,
**kwargs: Any,
) -> TrainingResult:
if model_to_finetune: # 如果有模型微调
model_to_finetune = rasa.model.get_model_for_finetuning(model_to_finetune) # 获取模型微调
if not model_to_finetune: # 如果没有模型微调
rasa.shared.utils.cli.print_error_and_exit( # 打印错误并退出
f"No model for finetuning found. Please make sure to either " # 没有找到微调模型。请确保
f"specify a path to a previous model or to have a finetunable " # 要么指定一个以前模型的路径，要么有一个可微调的
f"model within the directory '{output_path}'." # 在目录'{output_path}'中的模型。
)
rasa.shared.utils.common.mark_as_experimental_feature( # 标记为实验性功能
"Incremental Training feature" # 增量训练功能
)
is_finetuning = model_to_finetune is not None # 如果有模型微调
config = file_importer.get_config() # 获取配置
recipe = Recipe.recipe_for_name(config.get("recipe")) # 获取配方
config, _missing_keys, _configured_keys = recipe.auto_configure( # 自动配置
file_importer.get_config_file_for_auto_config(), # 获取自动配置的配置文件
config, # 配置
training_type, # 训练类型
)
model_configuration = recipe.graph_config_for_recipe( # 配方的graph配置
config, # 配置
kwargs, # 关键字参数
training_type=training_type, # 训练类型
is_finetuning=is_finetuning, # 是否微调
)
rasa.engine.validation.validate(model_configuration) # 验证
tempdir_name = rasa.utils.common.get_temp_dir_name() # 获取临时目录名称
# Use `TempDirectoryPath` instead of `tempfile.TemporaryDirectory` as this leads to errors on Windows when the context manager tries to delete an already deleted temporary directory (e.g. https://bugs.python.org/issue29982)
# 翻译：使用TempDirectoryPath而不是tempfile.TemporaryDirectory，因为当上下文管理器尝试删除已删除的临时目录时，这会导致Windows上的错误（例如https://bugs.python.org/issue29982）
with rasa.utils.common.TempDirectoryPath(tempdir_name) as temp_model_dir: # 临时模型目录
model_storage = _create_model_storage( # 创建模型存储
is_finetuning, model_to_finetune, Path(temp_model_dir) # 是否微调，模型微调，临时模型目录
)
cache = LocalTrainingCache() # 本地训练缓存
trainer = GraphTrainer(model_storage, cache, DaskGraphRunner) # Graph训练器
if dry_run: # dry运行
fingerprint_status = trainer.fingerprint( # fingerprint状态
model_configuration.train_schema, file_importer # 模型配置的训练模式，文件导入器
)
return _dry_run_result(fingerprint_status, force_full_training) # 返回dry运行结果
model_name = _determine_model_name(fixed_model_name, training_type) # 确定模型名称
full_model_path = Path(output_path, model_name) # 完整的模型路径
with telemetry.track_model_training( # 跟踪模型训练
file_importer, model_type=training_type.model_type # 文件导入器，模型类型
):
trainer.train( # 训练
model_configuration, # 模型配置
file_importer, # 文件导入器
full_model_path, # 完整的模型路径
force_retraining=force_full_training, # 强制重新训练
is_finetuning=is_finetuning, # 是否微调
)
rasa.shared.utils.cli.print_success( # 打印成功
f"Your Rasa model is trained and saved at '{full_model_path}'." # Rasa模型已经训练并保存在'{full_model_path}'。
)
return TrainingResult(str(full_model_path), 0) # 训练结果
1.传递来的形参数据
2._train_graph()函数组成
该函数主要由3个方法组成，如下所示：
- model_configuration = recipe.graph_config_for_recipe(*)
- trainer = GraphTrainer(model_storage, cache, DaskGraphRunner)
- trainer.train(model_configuration, file_importer, full_model_path, force_retraining, is_finetuning)
二._train_graph()函数中的方法
1.file_importer.get_config()
将config.yml文件转化为dict类型，如下所示：
2.Recipe.recipe_for_name(config.get(“recipe”))
（1）ENTITY_EXTRACTOR = ComponentType.ENTITY_EXTRACTOR
实体抽取器。
（2）INTENT_CLASSIFIER = ComponentType.INTENT_CLASSIFIER
意图分类器。
（3）MESSAGE_FEATURIZER = ComponentType.MESSAGE_FEATURIZER
消息特征化。
（4）MESSAGE_TOKENIZER = ComponentType.MESSAGE_TOKENIZER
消息Tokenizer。
（5）MODEL_LOADER = ComponentType.MODEL_LOADER
模型加载器。
（6）POLICY_WITHOUT_END_TO_END_SUPPORT = ComponentType.POLICY_WITHOUT_END_TO_END_SUPPORT
非端到端策略支持。
（7）POLICY_WITH_END_TO_END_SUPPORT = ComponentType.POLICY_WITH_END_TO_END_SUPPORT
端到端策略支持。
3.model_configuration = recipe.graph_config_for_recipe(*)
model_configuration.train_schema和model_configuration.predict_schema的数据类型都是GraphSchema类对象，分别表示在训练和预测时所需要的SchemaNode，以及SchemaNode在GraphSchema中的依赖关系。
（1）model_configuration.train_schema
- schema_validator：rasa.graph_components.validators.default_recipe_validator.DefaultV1RecipeValidator类中的validate方法
- finetuning_validator：rasa.graph_components.validators.finetuning_validator.FinetuningValidator类中的validate方法
- nlu_training_data_provider：rasa.graph_components.providers.nlu_training_data_provider.NLUTrainingDataProvider类中的provide方法
- train_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的train方法
- run_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的process_training_data方法
- run_LanguageModelFeaturizer1：rasa.nlu.featurizers.dense_featurizer.lm_featurizer.LanguageModelFeaturizer类中的process_training_data方法
- train_DIETClassifier2：rasa.nlu.classifiers.diet_classifier.DIETClassifier类中的train方法
- train_ResponseSelector3：rasa.nlu.selectors.response_selector.ResponseSelector类中的train方法
说明：ResponseSelector类继承自DIETClassifier类。
（2）model_configuration.predict_schema
- nlu_message_converter：rasa.graph_components.converters.nlu_message_converter.NLUMessageConverter类中的convert_user_message方法
- run_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的process方法
- run_LanguageModelFeaturizer1：rasa.nlu.featurizers.dense_featurizer.lm_featurizer.LanguageModelFeaturizer类中的process方法
- run_DIETClassifier2：rasa.nlu.classifiers.diet_classifier.DIETClassifier类中的process方法
- run_ResponseSelector3：rasa.nlu.selectors.response_selector.ResponseSelector类中的process方法
- run_RegexMessageHandler：rasa.nlu.classifiers.regex_message_handler.RegexMessageHandler类中的process方法
4.tempdir_name
‘C:\Users\ADMINI~1\AppData\Local\Temp\tmpg0v179ea’
5.trainer = GraphTrainer(*)和trainer.train(*)
这里执行的代码是rasa/engine/training/graph_trainer.py中GraphTrainer类的train()方法，实现功能为训练和打包模型并返回预测graph运行程序。
6.Rasa中GraphComponent的子类
参考文献：
[1]https://github.com/RasaHQ/rasa
[2]rasa 3.2.10 NLU模块的训练：https://zhuanlan.zhihu.com/p/574935615
[3]rasa.engine.graph：https://rasa.com/docs/rasa/next/reference/rasa/engine/graph/
