WASD就不说了，X是航行时降低，G是帮派，B是背包，Q是义务。
E是举措，T是技艺，P是坐骑和宠物，M是地图关键是K，K是更改按键，也就是说不论WASD还是什么按键，都可以在这里改。
当然，以后各类案件的性能，也都可以在这里看到，比如极速选中队伍列表对应的人，经常使用精灵对应技艺等，都可以在这里看到。
也可以改成更适宜操作的，比如QERFZC等可以交流F5678到达极速操作的目标。
。
。
理论PK好手都是要改这个的。

如何应用深度学习技术训练聊天机器人言语模型

数据预解决

模型能聊的内容也取决于选取的语料。假设曾经具有了原始聊天数据，可以用SQL经过关键字查问一些对话，也就是从大库里选取出一个小库来训练。从一些论文上，很多算法都是在数据预解决层面的，比如Mechanism-AwareNeuralMachineforDialogueResponseGeneration就引见了，从大库中抽取小库，而后再启动融合，训练出有特征的对话来。

关于英语，须要了解NLTK，NLTK提供了加载语料，语料规范化，语料分类，PoS词性标注，语意抽取等性能。

另一特性能弱小的工具库是CoreNLP，作为Stanford开源进去的工具，特征是实体标注，语意抽取，支持多种言语。

上方关键引见两个内容：

中文分词

如今有很多中文分词的SDK，分词的算法也比拟多，也有很多文章对不同SDK的性能做比拟。做中文分词的示例代码如下。

#coding:utf8SegmenterwithChineseimportjiebaimportlangiddefsegment_chinese_sentence(sentence):Returnsegmented_list=(sentence,cut_all=False)seg_sentence=u(seg_list)returnseg_()(utf8)defprocess_sentence(sentence):OnlyprocessChinese(sentence)[0]==zh:returnsegment_chinese_sentence(sentence)returnsentenceif__name__==__main__:print(process_sentence(飞雪连天射白鹿))print(process_sentence(Ihaveapen.))

以上经常使用了langid先判别语句能否是中文，而后经常使用jieba启动分词。

在性能上，jieba分词支持全切分形式，准确形式和搜查引擎形式。

全切分：输入一切分词。

准确：概率上的最佳分词。

一切引擎形式：对准确切分后的长句再启动分词。

jieba分词的成功

关键是分红上方三步：

1、加载字典，在内存中树立字典空间。

字典的结构是每行一个词，空格，词频，空格，词性。

上诉书3n上诉人3n上诉期3b上诉状4n上课650v

树立字典空间的是经常使用python的dict，驳回前缀数组的方式。

经常使用前缀数组的要素是树结构只要一层-word:freq，效率高，节俭空间。比如单词dog,字典中将这样存储：

{d:0,do:0,dog:1#value为词频}

字典空间的关键用途是对输入句子树立有向无环图，而后依据算法启动切分。算法的取舍关键是依据形式-全切，准确还是搜查。

2、对输入的语句分词，首先是树立一个有向无环图。有向无环图,Directedacyclicgraph(音/ˈdæɡ/)。

【图3-2】DAG

DAG关于前面计算最大略率门路和经常使用HNN模型识别新词有间接相关。

3、依照形式，对有向无环图启动遍历，比如，在准确形式下，便利就是求最大权重和的门路，权重来自于在字典中定义的词频。关于没有出如今词典中的词，延续的单个字符兴许会形成新词。而后用HMM模型和Viterbi算法识别新词。

准确模型切词：经常使用灵活布局对最大略率门路启动求解。

最大略率门路：求route=(w1,w2,w3,..,wn)，使得Σweight(wi)最大。Wi为该词的词频。

更多的细节还须要读一下jieba的源码。

自定义字典

jieba分词自动的字典是:1998人民日报的切分语料还有一个msr的切分语料和一些txt小说。开发者可以自行参与字典，只需合乎字典构建的格局就行。

jieba分词同时提供接口参与词汇。

Wordembedding

经常使用机器学习训练的言语模型，网络算法是经常使用数字启动计算，在输入启动编码，在输入启动解码。wordembedding就是编解码的手腕。

【图3-3】wordembedding,Ref.#7

wordembedding是文本的数值化示意方法。示意法包含one-hot，bagofwords，N-gram，散布式示意，共现矩阵等。

近年来，word2vec被宽泛驳回。Word2vec输入文章或许其余语料，输入语料中词汇树立的词向量空间。详细可参考word2vec数学原了解析。

经常使用word2vec

装置成功后，获取word2vec命令行工具。

word2vec-traindata/\-outputdata/\-cbow1\-size100\-window8\-negative25\-hs0\-sample1e-4\-threads20\-binary1\-iter15

-traindata/示意在指定的语料库上训练模型

-cbow1示意用cbow模型，设成0示意用skip-gram模型

-size100词向量的维度为100

-window8训练窗口的大小为8即思考一个单词的前八个和后八个单词

-negative25-hs0是经常使用negativesample还是HS算法

-sample1e-4驳回阈值

-threads20线程数

-binary1输入model保留成2进制

-iter15迭代次数

在训练成功后，就获取一个model，用该model可以查问每个词的词向量，在词和词之间求距离，将不同词放在数学公式中计算输入相关性的词。比如：

vector(法国)-vector(巴黎)+vector(英国)=vector(伦敦)

关于训练不同的语料库，可以独自的训练词向量模型，可以应用曾经训练好的模型。

其它训练词向量空间工具介绍：Glove。

2014年，SequencetoSequenceLearningwithNeuralNetworks提出了经常使用深度学习技术，基于RNN和LSTM网络训练翻译系统，取得了打破，这一方法便运行在更宽泛的畛域，比如问答系统，图像字幕，语音识别，撰写诗词等。Seq2Seq成功了【encoder+decoder->target】的映射，在上方的论文中，明晰的引见了成功方式。

【图3-4】Seq2Seq,Ref.#1

也有很多文章解读它的原理。在经常使用Seq2Seq的环节中，只管也钻研了它的结构，但我还不以为能了解和解释它。上方谈两点感触：

a.RNN保留了言语顺序的特点，这和CNN在解决带无形态的模型时截然不同，就是数学模型的设计合乎物理模型。

【图3-5】RNN,Ref.#6

b.LSTMCell的复杂度对应了人造言语解决的复杂度。

【图3-6】LSTM,Ref.#6

理由是，有人将LSTMCell尝试了多种其它打算传递形态，结果也很好。

【图3-7】GRU,Ref.#6

LSTM的一个代替打算：GRU。只需RNN的Cell足够复杂，它就能上班的很好。

经常使用DeepQA2训练言语模型

预备上班，下载名目：

gitclonecdDeepQA2open#依据装置依赖包

DeepQA2将上班分红三个环节：

数据预解决：从语料库到数据字典。

训练模型：从数据字典到言语模型。

提供服务：从言语模型到REStAPI。

预解决

DeepQA2经常使用CornellMovieDialogsCorpus作为demo语料库。

原始数据就是movie_和movie_。这两个文件的组织方式参考

deepqa2/dataset/是将这两个文件解决成数据字典的模块。

train_max_length_enco就是疑问的长度，train_max_length_deco就是答案的长度。在语料库中，大于该长度的局部会被截断。

程序运转后，会生成文件，它加载到python中是一个字典：

word2id存储了{word:id}，其中word是一个单词，id是int数字，代表这个单词的id。

id2word存储了{id:word}。

trainingSamples存储了问答的对话对。

比如[[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]

1，2，3...12都是wordid。

[1,2,3]和[4,5,6]形成一个问答。[7,8,9]和[10,11,12]形成一个问答。

开局训练

cp#modifykeyspythondeepqa2/

是性能文件,依据启动修正。训练的期间由epoch，learningrate,maxlength和对话对的数量而定。

deepqa2/大约100行，成功数据字典加载、初始化tensorflow的session，saver，writer、初始化神经元模型、依据epoch启动迭代，保留模型到磁盘。

session是网络图，由placeholder,variable,cell,layer,output组成。

saver是保留model的，也可以用来复原model。model就是实例化variable的session。

writer是检查lossfn或许其余开发者感兴味的数据的搜集器。writer的结果会被saver保留，而后经常使用tensorboard检查。

Model的构建要思考输入，形态，softmax，输入。

定义损耗函数，经常使用AdamOptimizer启动迭代。

最后，参考一下训练的loop局部。

每次训练，model会被存储在save门路下，文件夹的命名依据机器的hostname，期间戳生成。

提供服务

在TensorFlow中，提供了规范的serving模块-tensorflowserving。但钻研了很久，还专门看了一遍《C++Essentials》，还没有将它搞定，社区也普遍埋怨tensorflowserving不好学，不好用。训练完结后，经常使用上方的脚本启动服务，DeepQA2的serve局部还是调用TensorFlow的pythonapi。

cdDeepQA2/save/../deepqa2/servecp33pythonrunserver0.0.0.0:8000

测试

POST/api/v1/questionHTTP/1.1Host:127.0.0.1:8000Content-Type:application/jsonAuthorization:BasicYWRtaW46cGFzc3dvcmQxMjM=Cache-Control:no-cache{message:goodtoknow}response{rc:0,msg:hello}

serve的外围代码在serve/api/中。

经常使用脚本

scripts/start_启动训练

scripts/start_启动Tensorboard

scripts/start_启动服务

对模型的评估

目前代码具有很高的保养性，这也是从DeepQA名目启动重构的要素，更明晰的数据预解决、训练和服务。有新的变卦可以参与到deepqa2/models中，而后在和变卦一下。

有待改良的中央

a.新建models/,经常使用dropout。目前DeepQA中曾经经常使用了Drop.

b.tensorflowrc0.12.x中曾经提供了seq2seqnetwork，可以降级成tf版本.

c.融合训练，目前model只要一个库，应该是设计一个新的模型，支持一个大库和小库，不同权重启动，就如Mechanism-AwareNeuralMachineforDialogueResponseGeneration的引见。

d.代码支持多机多GPU运转。

e.目前训练的结果都是QA对，关于一个疑问，可以有多个答案。

f.目前没有一个方法启动accuracy测试，一个思绪是在训练中就提供搅扰项，由于以后只要正确的答案，假设提供失误的答案（而且越多越好），就可以经常使用recall_at_k方法启动测试。

机器人家上了解到的，宿愿对你有用

测试一个系统明码有效期用什么方法

由于上班须要最近须要将公司的多台linux主机启动明码战略的设置，关键内容是参与明码复杂度。
操作步骤如下，不会的同窗可以参考：操作前须要把握如下几个便捷的常识点：(其实不把握也行，不过学学没坏处)PAM(PluggableAuthenticationModules)是由Sun提出的一种认证机制。
它经过提供一些灵活链接库和一套一致的API，将系统提供的服务和该服务的认证方式离开，使得系统治理员可以灵敏地依据须要给不同的服务性能不同的认证方式而无需更改服务程序，同时也便于向系统中参与新的认证手腕。
PAM最后是集成在Solaris中，目前已移植到其它系统中，如Linux、SunOS、HP-UX9.0等。
PAM的性能是经过单特性能文件/etc/。
RedHat还支持另外一种性能方式，即经过性能目录/etc/pam.d/，且这种的优先级要高于单特性能文件的方式。
1、经常使用性能文件/etc/该文件是由如下的行所组成的：service-namemodule-typecontrol-flagmodule-pathargumentsservice-name服务的名字，比如telnet、login、ftp等，服务名字OTHER代表一切没有在该文件中明白性能的其它服务。
module-type模块类型有四种：auth、account、session、password，即对应PAM所支持的四种治理方式。
同一个服务可以调用多个PAM模块启动认证，这些模块形成一个stack。
control-flag用来通知PAM库该如何解决与该服务相关的PAM模块的成功或失败状况。
它有四种或许的值：required，requisite，sufficient，optional。
required示意本模块必定前往成性能力经过认证，然而假设该模块前往失败的话，失败结果也不会立刻通知用户，而是要等到同一stack中的一切模块所有口头终了再将失败结果前往给运行程序。
可以以为是一个必要条件。
requisite与required相似，该模块必定前往成性能力经过认证，然而一旦该模块前往失败，将不再口头同一stack内的任何模块，而是间接将控制权前往给运行程序。
是一个必要条件。
注：这种只要RedHat支持，Solaris不支持。
sufficient标明本模块前往成功曾经足以经过身份认证的要求，不用再口头同一stack内的其它模块，然而假设本模块前往失败的话可以疏忽。
可以以为是一个充沛条件。
optional标明本模块是可选的，它的成功与否普通不会对身份认证起关键作用，其前往值普通被疏忽。
关于control-flag，从Linux-PAM-0.63版本起，支持一种新的语法，详细可参看LinuxPAM文档。
module-path用来指明本模块对应的程序言件的门路名，普通驳回相对门路，假设没有给出相对门路，自动该文件在目录/usr/lib/security上方。
arguments是用来传递给该模块的参数。
普通来说每个模块的参数都不相反，可以由该模块的开发者自己定义，然而也有以下几个独特的参数：debug该模块应当用syslog()将调试消息写入到系统日志文件中。
no_warn标明该模块不应把正告消息发送给运行程序。
use_first_pass标明该模块不能揭示用户输入明码，而应经常使用前一个模块从用户那里获取的明码。
try_first_pass标明该模块首先应当经常使用前一个模块从用户那里获取的明码，假设该明码验证不经过，再揭示用户输入新的明码。
use_mapped_pass该模块不能揭示用户输入明码，而是经常使用映射过的明码。
expose_account准许该模块显示用户的帐号名等消息，普通只能在安保的环境下经常使用，由于走漏用户名会对安保形成必定水平的要挟。
2、经常使用性能目录/etc/pam.d/(只实用于RedHatLinux)该目录下的每个文件的名字对应服务名，例如ftp服务对应文件/etc/pam.d/ftp。
假设名为xxxx的服务所对应的性能文件/etc/pam.d/xxxx不存在，则该服务将经常使用自动的性能文件/etc/pam.d/other。
每个文件由如下格局的文本行所形成：module-typecontrol-flagmodule-patharguments每个字段的含意和/etc/中的相反。
由于公司经常使用的是RedHat的linux故此我将经常使用pam.d这特性能目录。
明码复杂度经过/etc/pam.d/system-auth这个文件来成功的故此咱们先看一下自动有什么内容而后将这个文件备份一个：在这个文件中咱们会用到pam_这个模块。
pam_是一个罕用并且十分关键的PAM模块。
该模块关键的作用是对用户明码的强壮性启动检测。
即审核和限度用户自定义明码的长度、复杂度和历史等。
如不满足上述强度的明码将拒绝经常使用。
pam_比拟关键和难于了解的是它的一些参数和计数方法，其罕用参数包含：debug：将调试消息写入日志;type=xxx：当参与/修正明码时，系统给出的缺省揭示符是NewUNIXpasswZ/kf/ware/vc/target=_blank>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/uploadfile/Collfiles//alt=/>(注)*credit=-1示意至少有一个的意思。
而后性能，这个文件关键是性能明码有效期，其中的PASS_MIN_LEN这个参数在咱们性能了上一个文件之后在这里是不起作用的。
其余PASS_MAX_DAYS#明码的最大有效期,:终身有期PASS_MIN_DAYS0#能否可修正明码,0可修正,非0多少天后可修正PASS_MIN_LEN5#明码最小长度,经常使用pam_cracklibmodule,该参数不再有效PASS_WARN_AGE7#明码失效前多少天在用户登录时通知用户修正明码当设置成功这些之后咱们可以去验证一下系统中曾经存在的用户在设置明码的时刻能否会强迫验证明码复杂度，如下图所示假设不合乎明码复杂度会揭示失误消息：假设合乎了你的明码复杂度就可以反常设置明码了。