教你5分钟内使用Hugging Face和 Gradio 构建 AI 聊天机器人

推荐：使用NSDT场景编辑器助你快速搭建可二次编辑的3D应用场景

1. 创建新空间

转到 hf.co 并创建一个免费帐户。之后，单击右上角的显示图像，然后选择“新空间”选项。
在表单中填写应用程序名称、许可证、空间硬件和可见性。

Build AI Chatbot in 5 Minutes with Hugging Face and Gradio

按“创建空间”以初始化应用程序。
您可以克隆存储库并从本地系统推送文件，或者使用浏览器在拥抱脸上创建和编辑文件。

图片来自AI ChatBot

2.创建聊天机器人应用程序文件

我们将单击“文件”选项卡>+添加文件>创建新文件。

创建 Gradio 接口。你可以复制我的代码。

我已经加载了“microsoft/dialopGPT-large”标记器和模型，并创建了一个“预测”函数来获取响应和创建历史记录。

from transformers import AutoModelForCausalLM, AutoTokenizer
import gradio as gr
import torch


title = "🤖AI ChatBot"
description = "A State-of-the-Art Large-scale Pretrained Response generation model (DialoGPT)"
examples = [["How are you?"]]


tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-large")
model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-large")


def predict(input, history=[]):
    # tokenize the new input sentence
    new_user_input_ids = tokenizer.encode(
        input + tokenizer.eos_token, return_tensors="pt"
    )

    # append the new user input tokens to the chat history
    bot_input_ids = torch.cat([torch.LongTensor(history), new_user_input_ids], dim=-1)

    # generate a response
    history = model.generate(
        bot_input_ids, max_length=4000, pad_token_id=tokenizer.eos_token_id
    ).tolist()

    # convert the tokens to text, and then split the responses into lines
    response = tokenizer.decode(history[0]).split("<|endoftext|>")
    # print('decoded_response-->>'+str(response))
    response = [
        (response[i], response[i + 1]) for i in range(0, len(response) - 1, 2)
    ]  # convert to tuples of list
    # print('response-->>'+str(response))
    return response, history


gr.Interface(
    fn=predict,
    title=title,
    description=description,
    examples=examples,
    inputs=["text", "state"],
    outputs=["chatbot", "state"],
    theme="finlaymacklon/boxy_violet",
).launch()