摘要：引入項目鏈接在集成之后，為了提高效率，我打算將消息存儲在緩存系統中，本節將介紹在項目中的引入，以及前端界面的開發。引入后，完整代碼鏈接。

項目github鏈接

在集成Netty之后，為了提高效率，我打算將消息存儲在Redis緩存系統中，本節將介紹Redis在項目中的引入，以及前端界面的開發。

引入Redis后，完整代碼鏈接。

想要直接得到訓練了13000步的聊天機器人可以直接下載鏈接中

這三個文件，以及詞匯表文件

然后直接運行連接中的py腳本進行測試即可。

最終實現效果如下：

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;
import java.time.LocalDateTime;

import io.netty.channel.ChannelHandlerContext;
import io.netty.channel.SimpleChannelInboundHandler;
import io.netty.channel.group.ChannelGroup;
import io.netty.channel.group.DefaultChannelGroup;
import io.netty.handler.codec.http.websocketx.TextWebSocketFrame;
import io.netty.util.concurrent.GlobalEventExecutor;
import redis.clients.jedis.Jedis;

public class ChatHandler 
    extends SimpleChannelInboundHandler{
    private static ChannelGroup clients=
            new DefaultChannelGroup(GlobalEventExecutor.INSTANCE);
    
    @Override
    protected void channelRead0(ChannelHandlerContext ctx, TextWebSocketFrame msg) throws Exception {
        System.out.println("channelRead0...");
        
        //連接redis
        Jedis jedis=new Jedis("localhost");
        System.out.println("連接成功...");
        System.out.println("服務正在運行："+jedis.ping());
        
        //得到用戶輸入的消息，需要寫入文件/緩存中，讓AI進行讀取
        String content=msg.text();
        if(content==null||content=="") {
            System.out.println("content 為null");
            return ;
        }
        System.out.println("接收到的消息："+content);

        //寫入緩存中
        jedis.set("user_say", content+":user");
        
        Thread.sleep(1000);
        //讀取AI返回的內容
        String AIsay=null;
        while(AIsay=="no"||AIsay==null) {
            //從緩存中讀取AI回復的內容
            AIsay=jedis.get("ai_say");
            String [] arr=AIsay.split(":");
            AIsay=arr[0];
        }

        //讀取后馬上向緩存中寫入
        jedis.set("ai_say", "no");
        //沒有說，或者還沒說
        if(AIsay==null||AIsay=="") {
            System.out.println("AIsay==null||AIsay==""");
            return;
        }
        System.out.println("AI說："+AIsay);
        
        clients.writeAndFlush(
                new TextWebSocketFrame(
                        "AI_PigPig在"+LocalDateTime.now()
                        +"說："+AIsay));
    }
    
    @Override
    public void handlerAdded(ChannelHandlerContext ctx) throws Exception {
        System.out.println("add...");
        clients.add(ctx.channel());
    }
    
    @Override
    public void handlerRemoved(ChannelHandlerContext ctx) throws Exception {
        System.out.println("客戶端斷開，channel對應的長id為："
                +ctx.channel().id().asLongText());
        System.out.println("客戶端斷開，channel對應的短id為："
                +ctx.channel().id().asShortText());
    }
 
}

with tf.Session() as sess:#打開作為一次會話
    # 恢復前一次訓練
    ckpt = tf.train.get_checkpoint_state(".")#從檢查點文件中返回一個狀態(ckpt)
    #如果ckpt存在，輸出模型路徑
    if ckpt != None:
        print(ckpt.model_checkpoint_path)
        model.saver.restore(sess, ckpt.model_checkpoint_path)#儲存模型參數
    else:
        print("沒找到模型")
    r.set("user_say","no")
    #測試該模型的能力
    while True:
        line="no"
        #從緩存中進行讀取
        while line=="no":
            line=r.get("user_say").decode()
            #print(line)
        list1=line.split(":")
        if len(list1)==1:
            input_string="no"
        else:
            input_string=list1[0]
            r.set("user_say","no")
                          
        
    # 退出
        if input_string == "quit":
           exit()
        if input_string != "no":
            input_string_vec = []#輸入字符串向量化
            for words in input_string.strip():
                input_string_vec.append(vocab_en.get(words, UNK_ID))#get()函數：如果words在詞表中，返回索引號；否則，返回UNK_ID
                bucket_id = min([b for b in range(len(buckets)) if buckets[b][0] > len(input_string_vec)])#保留最小的大于輸入的bucket的id
                encoder_inputs, decoder_inputs, target_weights = model.get_batch({bucket_id: [(input_string_vec, [])]}, bucket_id)
                #get_batch(A,B):兩個參數，A為大小為len(buckets)的元組，返回了指定bucket_id的encoder_inputs,decoder_inputs,target_weights
                _, _, output_logits = model.step(sess, encoder_inputs, decoder_inputs, target_weights, bucket_id, True)
                #得到其輸出
                outputs = [int(np.argmax(logit, axis=1)) for logit in output_logits]#求得最大的預測范圍列表
                if EOS_ID in outputs:#如果EOS_ID在輸出內部，則輸出列表為[,,,,:End]
                    outputs = outputs[:outputs.index(EOS_ID)]
             
                response = "".join([tf.compat.as_str(vocab_de[output]) for output in outputs])#轉為解碼詞匯分別添加到回復中
                print("AI-PigPig > " + response)#輸出回復
                #向緩存中進行寫入
                r.set("ai_say",response+":AI")

下一節將講述通信規則的制定，以規范應用程序。