图配方¶

图配方为可执行图提供了更精细的配置。

默认配方或图配方

如果在现有模型上运行机器学习实验或消融研究，可能只需要图配方。对于大多数应用，我们建议从默认配方开始。

除了默认配方外，我们现在还支持图配方。图配方对如何构建执行图模式提供了更精细的控制。

3.1 版本新特性

此功能是一项实验性功能。我们引入实验性功能以获得社区的反馈，因此鼓励大家进行尝试。但是，未来功能可能发生变更或删除。如果你有正面或负面反馈，请在 Rasa 论坛上与我们分享。

与默认配方的区别¶

默认配方和新的图配方之间存在一些差异。主要区别在于：

默认配方在配置文件中命名为 default.v1，图配方命名为 graph.v1。
默认配方提供易于使用的配方结构，而图配方更高级和强大。
默认配方更加固执己见，提供各种默认值，而图配方更加明确。
如果缺少 config.yml 的某些部分，默认配方可以自动配置自己并将使用默认值转储到文件中，而图配方则不会这样做，其认为所见即所得。使用图配方不会得到出乎意料的结果。
默认配方将图配置主要分为两部分：流水线和策略。这些也可以描述为 NLU 和核心（对话管理）部分。另一方面，对于图配方，训练（train_schema）和预测（predict_schema）之间存在分隔。

从头开始？

如果你不知道选择哪个配方，请使用默认配方快速引导你的项目。如果稍后发现需要更细粒度的控制，可以随时将配方更改为图配方。

图配置文件结构¶

图配方共享具有相同含义的 recipe 和 language 键。相似之处仅限于此，因为图配方没有 pipeline 和 policies 键，但他们确实具有 train_schema 和 predict_schema 键，用于分别在训练和预测运行期间确定图节点。除此之外，NLU 和核心的目标节点可以用图配方明确指定，这些可以用 nlu_target 和 core_target 声明。如果省略了目标，则默认配方使用的节点名称将接管，他们分别是 nlu 和 core 的 run_RegexMessageHandler 和 select_prediction。

如下是一个示例图配方：

# The config recipe.
# https://rasa.com/docs/rasa/model-configuration/
recipe: graph.v1

language: en

core_target: custom_core_target

nlu_target: custom_nlu_target

train_schema:
  nodes:
    # We skip schema_validator node (we only have this for DefaultV1Recipe
    # since we don't do validation for the GraphV1Recipe)
    finetuning_validator:
      needs:
        importer: __importer__
      uses: rasa.graph_components.validators.finetuning_validator.FinetuningValidator
      constructor_name: create
      fn: validate
      config:
        validate_core: true
        validate_nlu: true
      eager: false
      is_target: false
      is_input: true
      resource: null
    nlu_training_data_provider:
      needs:
        importer: finetuning_validator
      uses: rasa.graph_components.providers.nlu_training_data_provider.NLUTrainingDataProvider
      constructor_name: create
      fn: provide
      config:
        language: en
        persist: false
      eager: false
      is_target: false
      is_input: true
      resource: null
    domain_provider:
      needs:
        importer: finetuning_validator
      uses: rasa.graph_components.providers.domain_provider.DomainProvider
      constructor_name: create
      fn: provide_train
      config: { }
      eager: false
      is_target: true
      is_input: true
      resource: null
    domain_for_core_training_provider:
      needs:
        domain: domain_provider
      uses: rasa.graph_components.providers.domain_for_core_training_provider.DomainForCoreTrainingProvider
      constructor_name: create
      fn: provide
      config: { }
      eager: false
      is_target: false
      is_input: true
      resource: null
    story_graph_provider:
      needs:
        importer: finetuning_validator
      uses: rasa.graph_components.providers.story_graph_provider.StoryGraphProvider
      constructor_name: create
      fn: provide
      config:
        exclusion_percentage: null
      eager: false
      is_target: false
      is_input: true
      resource: null
    training_tracker_provider:
      needs:
        story_graph: story_graph_provider
        domain: domain_for_core_training_provider
      uses: rasa.graph_components.providers.training_tracker_provider.TrainingTrackerProvider
      constructor_name: create
      fn: provide
      config: { }
      eager: false
      is_target: false
      is_input: false
      resource: null
    train_MemoizationPolicy0:
      needs:
        training_trackers: training_tracker_provider
        domain: domain_for_core_training_provider
      uses: rasa.core.policies.memoization.MemoizationPolicy
      constructor_name: create
      fn: train
      config: { }
      eager: false
      is_target: true
      is_input: false
      resource: null

predict_schema:
  nodes:
    nlu_message_converter:
      needs:
        messages: __message__
      uses: rasa.graph_components.converters.nlu_message_converter.NLUMessageConverter
      constructor_name: load
      fn: convert_user_message
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource: null
    custom_nlu_target:
      needs:
        messages: nlu_message_converter
        domain: domain_provider
      uses: rasa.nlu.classifiers.regex_message_handler.RegexMessageHandler
      constructor_name: load
      fn: process
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource: null
    domain_provider:
      needs: {}
      uses: rasa.graph_components.providers.domain_provider.DomainProvider
      constructor_name: load
      fn: provide_inference
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource:
        name: domain_provider
    run_MemoizationPolicy0:
      needs:
        domain: domain_provider
        tracker: __tracker__
        rule_only_data: rule_only_data_provider
      uses: rasa.core.policies.memoization.MemoizationPolicy
      constructor_name: load
      fn: predict_action_probabilities
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource:
        name: train_MemoizationPolicy0
    rule_only_data_provider:
      needs: {}
      uses: rasa.graph_components.providers.rule_only_provider.RuleOnlyDataProvider
      constructor_name: load
      fn: provide
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource:
        name: train_RulePolicy1
    custom_core_target:
      needs:
        policy0: run_MemoizationPolicy0
        domain: domain_provider
        tracker: __tracker__
      uses: rasa.core.policies.ensemble.DefaultPolicyPredictionEnsemble
      constructor_name: load
      fn: combine_predictions_from_kwargs
      config: {}
      eager: true
      is_target: false
      is_input: false
      resource: null

图目标

对于 NLU，将使用默认目标名称 run_RegexMessageHandler，而对于核心（对话管理），如果省略，目标将称为 select_prediction。确保你的架构定义中具有相关名称的图节点。

以类似的方式，请注意，第一个图节点所需的默认资源固定为 __importer__（表示配置、训练数据等）用于训练任务，对于预测认为则为 __message__（表示接收的消息）。确保你的第一个节点使用这些依赖项。

图节点配置¶

正如在上面示例中所见，图配方非常明确，你可以根据需要配置每个图节点。以下是一些键的含义解释：

needs：你可以在此定义图节点需要哪些数据以及来自哪个父节点。键为数据名称，值为节点名称。
```
needs:
    messages: nlu_message_converter
```
当前图节点需要由 nlu_message_converter 节点提供的消息。
uses：你可以使用此键提供用于实例化此节点的类。请提供 Python 路径语法的完整路径，例如：
```
uses: rasa.graph_components.converters.nlu_message_converter.NLUMessageConverter
```
不需要使用 Rasa 内部图组件类，你可以在此使用自己的组件。请参见自定义图组件页面来了解如何编写自己的图组件。
constructor_name：这是用于实例化组件的构造函数。例如：
```
constructor_name: load
```
fn：这是用于执行图组件的函数。例如：
```
fn: combine_predictions_from_kwargs
```
config：你可以使用此键为组件提供任何配置参数。
```
config:
    language: en
    persist: false
```
eager：这决定了组件是否应该在构建图时立即加载，或者是否应该等到运行时（称为延迟实例化）。通常我们总是在训练期间延迟实例化并在推理期间立即实例化（以避免第一次预测时较慢）。
```
eager: true
```
resource：如果提供，则从该资源加载图节点，而不是从头开始实例化。例如用于加载经过训练的组件进行预测。
```
resource:
    name: train_RulePolicy1
```
is_target：布尔值，如果为 True，则在 fingerprint 期间无法修剪此节点（尽管它可能会替换为缓存值）。例如用于训练结果的所有组件始终需要添加到模型存档中，以便在推理期间数据可用。
```
is_target: false
```
is_input：布尔值。具有 is_input 的节点始终运行（在 fingerprint 运行期间也是）。这确保我们可以检测文件内容的变化。
```
is_input: false
```