Section courante

A propos

Section administrative du site

 Langage  Installation  Elément  Tutoriel  Widget  Aide 
ABAP/4
Ada
Assembleur
Assembly & bytecode
ASP (Active Server Pages)
Basic
C
C++
C# (C Sharp)
Cobol
ColdFusion
Fortran
HTML
Java
JavaScript
LISP
Logo
LotusScript
Oberon
Pascal
Perl
PHP
PL/1
Prolog
Python
Rebol
REXX
Ruby
SAS
NoSQL
SQL
Swift
X++ (Axapta)
GNAT
SMALLAda
VHDL
Assembleur 370
Assembleur 1802
Assembleur 4004
Assembleur 6502
Assembleur 6800
Assembleur 68000
Assembleur 8080 et 8085
Assembleur 8089
Assembleur 80x86
Assembleur AGC4
Assembleur ARM
Assembleur DPS 8000
Assembleur i860
Assembleur Itanium
Assembleur MIPS
Assembleur PDP-11
Assembleur PowerPC
Assembleur RISC-V
Assembleur SPARC
Assembleur SuperH
Assembleur UNIVAC I
Assembleur VAX
Assembleur Z80
Assembleur Z8000
Assembleur z/Architecture
ASSEMBLER/MONITOR 64
Micol Assembler
GFA Assembler
A86
MASM (Macro Assembler)
TASM (Turbo Assembler)
CIL
Jasmin
LLVM
MSIL
Parrot
P-Code (PCode)
SWEET16
G-Pascal
ASP 1.0
ASP 2.0
ASP 3.0
ASP.NET
ASP.NET Core
ABasiC (Amiga)
Adam SmartBASIC
Altair BASIC
AmigaBASIC (Amiga)
AMOS Basic (Amiga)
Atari Basic (Atari 400, 600 XL, 800, 800XL)
Basic Apple II (Integer BASIC/APPLESOFT)
Basic Commodore 64 (CBM-BASIC)
Basic Commodore 128 (BASIC 7.0)
Basic Commodore VIC-20 (CBM-BASIC 2.0)
Basic Coco 1 (Color Basic)
Basic Coco 2 (Extended Color Basic)
Basic Coco 3 (Extended Color Basic 2.0)
BASICA (PC DOS)
Basic Pro
BBC BASIC
Blitz BASIC (Amiga)
DarkBASIC
Dartmouth BASIC
GFA-Basic (Atari ST/Amiga)
GWBASIC (MS-DOS)
Liberty BASIC
Locomotive BASIC (Amstrad CPC)
MSX-Basic
Omikron Basic (Atari ST)
Oric Extended Basic
Power Basic
Quick Basic/QBasic (MS-DOS)
Sinclair BASIC (ZX80, ZX81, ZX Spectrum)
ST BASIC (Atari ST)
Turbo Basic
Vintage BASIC
VBScript
Visual Basic (VB)
Visual Basic .NET (VB .NET)
Visual Basic pour DOS
Yabasic
BeckerBASIC
SIMONS' BASIC
Basic09 d'OS-9
Disk Extended Color Basic
Basic09 d'OS-9
Disk Extended Color Basic
Access
Excel
Visual Basic pour Windows
Visual Basic .NET pour Windows
C Shell Unix (csh)
C pour Amiga
C pour Atari ST
C pour DOS
C pour Falcon030
C pour GEMDOS (Atari ST)
C pour Linux
C pour PowerTV OS
C pour OS/2
C pour Unix
C pour Windows
Aztec C
CoCo-C
GNU C
HiSoft C
IBM C/2
Introl-C
Lattice C
Microsoft C
MinGW C
MSX-C
Open Watcom C
OS-9 C Compiler
Pure C
Quick C
Turbo C
HiSoft C for Atari ST
HiSoft C for CP/M (Amstrad CPC)
C++ pour OS/2
C++ pour Windows
Borland C++
C++Builder
IBM VisualAge C++
Intel C++
MinGW C++
Open Watcom C++
Symantec C++
Turbo C++
Visual C++
Visual C++ .NET
Watcom C++
Zortech C++
C# (C Sharp) pour Windows
Apple III Cobol
Microsoft Cobol
BlueDragon
Lucee
OpenBD
Railo
Smith Project
Microsoft Fortran
WATFOR-77
CSS
FBML
Open Graph
SVG
XML
XSL/XSLT
LESS
SASS
GCJ (GNU)
JSP
Jython
Visual J++
Node.js
TypeScript
AutoLISP
ACSLogo
LotusScript pour Windows
Amiga Oberon
Oberon .NET
Apple Pascal
Delphi/Kylix/Lazarus
Free Pascal
GNU Pascal
HighSpeed Pascal
IBM Personal Computer Pascal
Lisa Pascal
Maxon Pascal
MPW Pascal
OS-9 Pascal
OSS Personal Pascal
Pascal-86
Pascal du Cray Research
Pascal/VS
Pascal-XT
PURE Pascal
QuickPascal
RemObjets Chrome
Sun Pascal
THINK Pascal
Tiny Pascal (TRS-80)
Turbo Pascal
UCSD Pascal
VAX Pascal
Virtual Pascal
Turbo Pascal for CP/M-80
Turbo Pascal for DOS
Turbo Pascal for Macintosh
Turbo Pascal for Windows
CodeIgniter (Cadre d'application)
Drupal (Projet)
Joomla! (Projet)
Phalanger (PHP .NET)
phpBB (Projet)
Smarty (balise)
Twig (balise)
Symfony (Cadre d'application)
WordPress (Projet)
Zend (Cadre d'application)
PL360
PL/M-80
PL/M-86
Turbo Prolog
CPython
IronPython
Jython
PyPy
AREXX
Regina REXX
JMP
Btrieve
Cassandra
Clipper
CouchDB
dBASE
Hbase
Hypertable
MongoDB
Redis
Access
BigQuery
DB2
H2
Interbase
MySQL
Oracle
PostgreSQL
SAP HANA
SQL Server
Sybase
U-SQL
Installation par système d'exploitation
Installation avec Docker
Installation de composantes
Introduction
Fichiers de configuration du projet
Référence des modules
CLI Command Line Interface
CDD (Conversation-Driven Development
rasa-webchat
Préface
Notes légal
Dictionnaire
Recherche

config.yml

Configuration
RASA

Description

Ce fichier contient la configuration de vos modèles NLU et Core.

Liste des champs

Voici les différents champs contenu dans le fichier de configuration «config.yml» :

Nom Description
language: valeur Ce champ permet d'indiquer le langage humain reconnu par RASA. Les valeurs reconnus sont :
Valeur Description
en Anglais
fr Français
pipeline: Ce champ permet d'indiquer la section de ligne de tuyaux.
    name: Ce sous-champ permet d'indiquer le nom du modèle à utiliser. Les valeurs les plus utilisés sont :
Valeur Description
"ConveRTFeaturizer" Cette valeur permet de créer une représentation vectorielle du message et de la réponse de l'utilisateur (si spécifié) à l'aide du modèle ConveRT.
"ConveRTTokenizer" Cette valeur permet d'indiquer les jetons utilisant le modèle ConveRT. Cette valeur est obsolète ne sera plus supporté dans les nouvelles version de RASA.
"CountVectorsFeaturizer" Cette valeur permet de créer une représentation en sac de mots des messages, intentions et réponses des utilisateurs.
"CRFEntityExtractor" Cette valeur permet d'indiquer une extraction des entités de champ aléatoire conditionnel (CRF).
"DucklingHTTPExtractor" Cette valeur permet d'indiquer l'utilisation de Duckling afin d'extraire des entités communes telles que les dates, les montants d'argent, les distances et autres dans un certain nombre de langues.
"EntitySynonymMapper" Cette valeur permet de cartographier les valeurs d'entité synonymes à la même valeur.
"KeywordIntentClassifier" Cette valeur permet d'indiquer un classificateur d'intention de correspondance de mots clefs simple, destiné aux petits projets à court terme.
"LanguageModelTokenizer" Cette valeur permet d'indiquer un jeton à partir de modèles de langage pré-entraînés. Cette valeur est obsolète ne sera plus supporté dans les nouvelles version de RASA.
"MitieEntityExtractor" Cette valeur permet d'indiquer les extracteurs d'entités extraient des entités, telles que des noms de personnes ou des emplacements, du message de l'utilisateur.
"MitieFeaturizer" Cette valeur permet de créer une représentation vectorielle du message et de la réponse de l'utilisateur (si spécifié) à l'aide de la fonctionnalité MITIE.
"MitieNLP" Cette valeur permet d'indiquer la bibliothèque MITIE.
"MitieTokenizer" Cette valeur permet d'indiquer les jetons utilisant MITIE.
"JiebaTokenizer" Cette valeur permet d'indiquer les jetons utilisant Jieba pour la langue chinoise.
"RegexFeaturizer" Cette valeur permet de créer une représentation vectorielle du message utilisateur à l'aide d'expressions régulières.
"SklearnIntentClassifier" Cette valeur permet d'indiquer un classificateur d'intention Sklearn.
"SpacyEntityExtractor" Cette valeur permet d'indiquer l'extraction d'entités spaCy.
"SpacyFeaturizer" Cette valeur permet de créer une représentation vectorielle du message et de la réponse de l'utilisateur (si spécifié) à l'aide de la fonctionnalité spaCy.
"SpacyNLP" Cette valeur permet d'indiquer la bibliothèque spaCy.
"SpacyTokenizer" Cette valeur permet d'indiquer les jetons utilisant spaCy.
DIETClassifier Cette valeur permet d'indiquer le Dual Intent Entity Transformer (DIET) utilisé pour la classification d'intention et l'extraction d'entités.
HFTransformersNLP Cette valeur permet d'indiquer l'initialiseur de modèle de langage pré-formé basé sur les transformateurs de HuggingFace. Cette valeur est obsolète ne sera plus supporté dans les nouvelles version de RASA.
LanguageModelFeaturizer Cette valeur permet de créer une représentation vectorielle du message et de la réponse de l'utilisateur (si spécifié) à l'aide d'un modèle de langage pré-entraîné.
LexicalSyntacticFeaturizer Cette valeur permet de créer des fonctionnalités lexicales et syntaxiques pour un message utilisateur afin de prendre en charge l'extraction d'entités.
RegexEntityExtractor Cette valeur permet d'indiquer qu'il faut extraire les entités à l'aide des tables de recherche et/ou des expressions régulières définies dans les données d'apprentissage.
    model: Ce sous-champ permet d'indiquer le modèle de langage à charger.
    model_weights: Ce sous-champ permet d'indiquer le poids pré-entraînés à charger.
    cache_dir: Ce sous-champ permet d'indiquer un chemin facultatif vers un répertoire spécifique pour télécharger et mettre en cache les poids de modèle pré-entraînés.
    "intent_tokenization_flag": Ce sous-champ permet d'indiquer le drapeau pour vérifier s'il faut diviser les intentions.
    "intent_split_symbol": Ce sous-champ permet d'indiquer le symbole sur lequel l'intention doit être divisée.
    "token_pattern": Ce sous-champ permet d'indiquer l'expression régulière pour détecter les jetons.
    "model_url": Ce sous-champ permet d'indiquer l'URL à distance et répertoire local des fichiers de modèle.


PARTAGER CETTE PAGE SUR
Dernière mise à jour : Lundi, le 21 décembre 2020