|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "6f4ba69d77f16c4a5110623a96a215c3",
|
|
|
"translation_date": "2025-08-26T15:24:18+00:00",
|
|
|
"source_file": "6-consumer/lessons/2-language-understanding/README.md",
|
|
|
"language_code": "hk"
|
|
|
}
|
|
|
-->
|
|
|
# 理解語言
|
|
|
|
|
|
|
|
|
|
|
|
> 手繪筆記由 [Nitya Narasimhan](https://github.com/nitya) 提供。點擊圖片查看更大版本。
|
|
|
|
|
|
## 課前測驗
|
|
|
|
|
|
[課前測驗](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/43)
|
|
|
|
|
|
## 簡介
|
|
|
|
|
|
在上一課中，你已經將語音轉換為文字。若要將其用於編程一個智能計時器，你的程式需要理解所說的內容。你可以假設使用者會說固定的短語，例如「設置一個3分鐘的計時器」，並解析該表達式以獲取計時器的時間，但這樣的方式對使用者來說並不友好。如果使用者說「設置一個計時器為3分鐘」，你或我能理解其意思，但你的程式無法理解，因為它預期的是固定短語。
|
|
|
|
|
|
這就是語言理解的作用所在，利用人工智能模型來解釋文字並返回所需的細節。例如，它能夠理解「設置一個3分鐘的計時器」和「設置一個計時器為3分鐘」都表示需要一個3分鐘的計時器。
|
|
|
|
|
|
在本課中，你將學習語言理解模型，如何創建、訓練它們，並在程式中使用它們。
|
|
|
|
|
|
本課將涵蓋：
|
|
|
|
|
|
* [語言理解](../../../../../6-consumer/lessons/2-language-understanding)
|
|
|
* [創建語言理解模型](../../../../../6-consumer/lessons/2-language-understanding)
|
|
|
* [意圖和實體](../../../../../6-consumer/lessons/2-language-understanding)
|
|
|
* [使用語言理解模型](../../../../../6-consumer/lessons/2-language-understanding)
|
|
|
|
|
|
## 語言理解
|
|
|
|
|
|
人類已經使用語言進行溝通數十萬年。我們通過文字、聲音或行動來交流，並理解所說的內容，不僅是文字、聲音或行動的意思，還包括它們的上下文。我們能理解真誠與諷刺，讓相同的文字因語氣不同而表達不同的意思。
|
|
|
|
|
|
✅ 想一想你最近的一些對話。有多少內容對電腦來說會因為需要上下文而難以理解？
|
|
|
|
|
|
語言理解，也稱為自然語言理解，是人工智能的一個分支，屬於自然語言處理（NLP）的一部分，專注於閱讀理解，試圖理解文字或句子的細節。如果你使用過語音助手，例如 Alexa 或 Siri，那麼你已經使用過語言理解服務。這些服務是背後的人工智能技術，能將「Alexa，播放泰勒·斯威夫特的最新專輯」轉化為我女兒在客廳裡隨著她最喜歡的音樂跳舞。
|
|
|
|
|
|
> 💁 儘管電腦技術已經取得了很大的進步，但在真正理解文字方面仍有很長的路要走。當我們提到電腦的語言理解時，並不是指像人類交流那樣高級，而是指從一些文字中提取關鍵細節。
|
|
|
|
|
|
作為人類，我們幾乎不需要思考就能理解語言。如果我請另一個人「播放泰勒·斯威夫特的最新專輯」，他們會本能地知道我的意思。對於電腦來說，這就困難得多。它需要將文字（從語音轉換而來）分解並提取以下信息：
|
|
|
|
|
|
* 需要播放音樂
|
|
|
* 音樂的演唱者是泰勒·斯威夫特
|
|
|
* 具體的音樂是一整張專輯，包含多首按順序排列的曲目
|
|
|
* 泰勒·斯威夫特有很多專輯，因此需要按時間順序排序，並選擇最新發行的專輯
|
|
|
|
|
|
✅ 想一想你在提出請求時說過的一些句子，例如點咖啡或請家人遞東西。試著將這些句子分解為電腦需要提取的關鍵信息。
|
|
|
|
|
|
語言理解模型是訓練用來從語言中提取特定細節的人工智能模型，並通過遷移學習針對特定任務進行訓練，就像你使用少量圖片訓練自定義視覺模型一樣。你可以採用一個模型，然後用你希望它理解的文字進行訓練。
|
|
|
|
|
|
## 創建語言理解模型
|
|
|
|
|
|
|
|
|
|
|
|
你可以使用 LUIS（Language Understanding Intelligent Service），一個來自 Microsoft 的語言理解服務，來創建語言理解模型。LUIS 是認知服務的一部分。
|
|
|
|
|
|
### 任務 - 創建一個編輯資源
|
|
|
|
|
|
要使用 LUIS，你需要創建一個編輯資源。
|
|
|
|
|
|
1. 使用以下命令在你的 `smart-timer` 資源組中創建一個編輯資源：
|
|
|
|
|
|
```python
|
|
|
az cognitiveservices account create --name smart-timer-luis-authoring \
|
|
|
--resource-group smart-timer \
|
|
|
--kind LUIS.Authoring \
|
|
|
--sku F0 \
|
|
|
--yes \
|
|
|
--location <location>
|
|
|
```
|
|
|
|
|
|
將 `<location>` 替換為創建資源組時使用的位置。
|
|
|
|
|
|
> ⚠️ LUIS 並非在所有地區都可用，如果你收到以下錯誤：
|
|
|
>
|
|
|
> ```output
|
|
|
> InvalidApiSetId: The account type 'LUIS.Authoring' is either invalid or unavailable in given region.
|
|
|
> ```
|
|
|
>
|
|
|
> 請選擇其他地區。
|
|
|
|
|
|
這將創建一個免費層的 LUIS 編輯資源。
|
|
|
|
|
|
### 任務 - 創建一個語言理解應用
|
|
|
|
|
|
1. 在瀏覽器中打開 LUIS 入口網站 [luis.ai](https://luis.ai?WT.mc_id=academic-17441-jabenn)，並使用你在 Azure 中使用的相同帳戶登錄。
|
|
|
|
|
|
1. 按照對話框中的指示選擇你的 Azure 訂閱，然後選擇你剛剛創建的 `smart-timer-luis-authoring` 資源。
|
|
|
|
|
|
1. 從 *Conversation apps* 列表中，選擇 **New app** 按鈕來創建一個新應用。將新應用命名為 `smart-timer`，並將 *Culture* 設置為你的語言。
|
|
|
|
|
|
> 💁 有一個預測資源的字段。你可以為預測單獨創建一個資源，但免費的編輯資源每月允許 1,000 次預測，對於開發來說應該足夠，因此可以留空。
|
|
|
|
|
|
1. 閱讀創建應用後出現的指南，了解訓練語言理解模型所需的步驟。完成後關閉該指南。
|
|
|
|
|
|
## 意圖和實體
|
|
|
|
|
|
語言理解基於 *意圖* 和 *實體*。意圖是文字的目的，例如播放音樂、設置計時器或點餐。實體是意圖所指的對象，例如專輯、計時器的時長或食物的種類。模型解釋的每個句子應至少有一個意圖，並可選擇性地包含一個或多個實體。
|
|
|
|
|
|
一些例子：
|
|
|
|
|
|
| 句子 | 意圖 | 實體 |
|
|
|
| --------------------------------------------------- | ---------------- | ------------------------------------------ |
|
|
|
| 「播放泰勒·斯威夫特的最新專輯」 | *播放音樂* | *泰勒·斯威夫特的最新專輯* |
|
|
|
| 「設置一個3分鐘的計時器」 | *設置計時器* | *3分鐘* |
|
|
|
| 「取消我的計時器」 | *取消計時器* | 無 |
|
|
|
| 「點3個大號菠蘿披薩和一份凱撒沙拉」 | *點餐* | *3個大號菠蘿披薩*，*凱撒沙拉* |
|
|
|
|
|
|
✅ 將你之前想到的句子，試著找出其中的意圖和實體。
|
|
|
|
|
|
要訓練 LUIS，首先需要設置實體。這些實體可以是固定的術語列表，或者從文字中學習。例如，你可以提供菜單中可用食物的固定列表，並為每個詞提供變體（或同義詞），例如 *egg plant* 和 *aubergine* 作為 *aubergine* 的變體。LUIS 還提供了一些可用的預設實體，例如數字和地點。
|
|
|
|
|
|
對於設置計時器，你可以使用預設的數字實體來表示時間，並創建另一個實體來表示單位，例如分鐘和秒。每個單位應有多個變體以涵蓋單數和複數形式，例如 minute 和 minutes。
|
|
|
|
|
|
設置實體後，接下來創建意圖。這些意圖是基於你提供的示例句子（稱為語句）由模型學習的。例如，對於 *設置計時器* 的意圖，你可以提供以下句子：
|
|
|
|
|
|
* `設置一個1秒的計時器`
|
|
|
* `設置一個計時器為1分鐘12秒`
|
|
|
* `設置一個計時器為3分鐘`
|
|
|
* `設置一個9分鐘30秒的計時器`
|
|
|
|
|
|
然後，你需要告訴 LUIS 這些句子中的哪些部分對應於實體：
|
|
|
|
|
|
|
|
|
|
|
|
句子 `設置一個計時器為1分鐘12秒` 的意圖是 `設置計時器`。它還有兩個實體，每個實體有兩個值：
|
|
|
|
|
|
| | 時間 | 單位 |
|
|
|
| ---------- | ---: | ------ |
|
|
|
| 1分鐘 | 1 | 分鐘 |
|
|
|
| 12秒 | 12 | 秒 |
|
|
|
|
|
|
要訓練一個好的模型，你需要提供多種不同的示例句子，以涵蓋人們可能用來表達相同意思的多種方式。
|
|
|
|
|
|
> 💁 與任何人工智能模型一樣，訓練所用的數據越多且越準確，模型的效果就越好。
|
|
|
|
|
|
✅ 想一想你可能用來表達相同意思的不同方式，並期望人類能理解。
|
|
|
|
|
|
### 任務 - 向語言理解模型添加實體
|
|
|
|
|
|
對於計時器，你需要添加兩個實體——一個表示時間單位（分鐘或秒），另一個表示分鐘或秒的數量。
|
|
|
|
|
|
你可以在 Microsoft Docs 的 [快速入門：在 LUIS 入口網站中構建應用](https://docs.microsoft.com/azure/cognitive-services/luis/luis-get-started-create-app?WT.mc_id=academic-17441-jabenn) 文檔中找到使用 LUIS 入口網站的指導。
|
|
|
|
|
|
1. 在 LUIS 入口網站中，選擇 *Entities* 標籤，然後通過選擇 **Add prebuilt entity** 按鈕添加 *number* 預設實體，從列表中選擇 *number*。
|
|
|
|
|
|
1. 使用 **Create** 按鈕創建一個新的實體來表示時間單位。將實體命名為 `time unit`，並將類型設置為 *List*。在 *Normalized values* 列表中添加 `minute` 和 `second` 的值，並在 *synonyms* 列表中添加單數和複數形式作為同義詞。每添加一個同義詞後按 `return` 鍵將其添加到列表中。
|
|
|
|
|
|
| 標準化值 | 同義詞 |
|
|
|
| -------------- | ----------------- |
|
|
|
| minute | minute, minutes |
|
|
|
| second | second, seconds |
|
|
|
|
|
|
### 任務 - 向語言理解模型添加意圖
|
|
|
|
|
|
1. 在 *Intents* 標籤中，選擇 **Create** 按鈕來創建一個新意圖。將此意圖命名為 `set timer`。
|
|
|
|
|
|
1. 在示例中，輸入設置計時器的不同方式，使用分鐘、秒以及分鐘和秒的組合。例如：
|
|
|
|
|
|
* `設置一個1秒的計時器`
|
|
|
* `設置一個4分鐘的計時器`
|
|
|
* `設置一個四分鐘六秒的計時器`
|
|
|
* `設置一個9分鐘30秒的計時器`
|
|
|
* `設置一個計時器為1分鐘12秒`
|
|
|
* `設置一個計時器為3分鐘`
|
|
|
* `設置一個計時器為3分鐘1秒`
|
|
|
* `設置一個計時器為三分鐘一秒`
|
|
|
* `設置一個計時器為1分鐘1秒`
|
|
|
* `設置一個計時器為30秒`
|
|
|
* `設置一個計時器為1秒`
|
|
|
|
|
|
混合使用數字的文字形式和數字形式，讓模型學會處理兩者。
|
|
|
|
|
|
1. 當你輸入每個示例時，LUIS 會開始檢測實體，並將檢測到的實體用下劃線標記並標籤。
|
|
|
|
|
|
|
|
|
|
|
|
### 任務 - 訓練和測試模型
|
|
|
|
|
|
1. 配置好實體和意圖後，可以使用頂部菜單中的 **Train** 按鈕訓練模型。選擇此按鈕，模型應在幾秒鐘內完成訓練。訓練期間按鈕會變灰，完成後會重新啟用。
|
|
|
|
|
|
1. 從頂部菜單中選擇 **Test** 按鈕來測試語言理解模型。輸入例如 `設置一個計時器為5分鐘4秒` 的文字並按回車鍵。句子會出現在你輸入文字的文本框下方，並在其下方顯示 *top intent*，即檢測到的最高概率的意圖。這應該是 `set timer`。意圖名稱後會顯示檢測到該意圖的概率。
|
|
|
|
|
|
1. 選擇 **Inspect** 選項查看結果的詳細信息。你將看到最高分的意圖及其概率百分比，以及檢測到的實體列表。
|
|
|
|
|
|
1. 測試完成後，關閉 *Test* 面板。
|
|
|
|
|
|
### 任務 - 發佈模型
|
|
|
|
|
|
要從程式中使用此模型，你需要將其發佈。從 LUIS 發佈時，你可以選擇發佈到測試用的暫存環境或正式發佈的生產環境。在本課中，暫存環境即可。
|
|
|
|
|
|
1. 在 LUIS 入口網站中，從頂部菜單中選擇 **Publish** 按鈕。
|
|
|
|
|
|
1. 確保選擇了 *Staging slot*，然後選擇 **Done**。應用發佈後，你會看到通知。
|
|
|
|
|
|
1. 你可以使用 curl 測試此模型。要構建 curl 命令，你需要三個值——端點、應用程式 ID（App ID）和 API 金鑰。這些可以從頂部菜單中選擇 **MANAGE** 標籤後訪問。
|
|
|
|
|
|
1. 在 *Settings* 部分，複製 App ID
|
|
|
1. 從 *Azure 資源* 部分選擇 *Authoring Resource*，然後複製 *Primary Key* 和 *Endpoint URL*
|
|
|
|
|
|
1. 在命令提示符或終端中運行以下 curl 命令：
|
|
|
|
|
|
```sh
|
|
|
curl "<endpoint url>/luis/prediction/v3.0/apps/<app id>/slots/staging/predict" \
|
|
|
--request GET \
|
|
|
--get \
|
|
|
--data "subscription-key=<primary key>" \
|
|
|
--data "verbose=false" \
|
|
|
--data "show-all-intents=true" \
|
|
|
--data-urlencode "query=<sentence>"
|
|
|
```
|
|
|
|
|
|
將 `<endpoint url>` 替換為 *Azure 資源* 部分中的 Endpoint URL。
|
|
|
|
|
|
將 `<app id>` 替換為 *Settings* 部分中的 App ID。
|
|
|
|
|
|
將 `<primary key>` 替換為 *Azure 資源* 部分中的 Primary Key。
|
|
|
|
|
|
將 `<sentence>` 替換為您想測試的句子。
|
|
|
|
|
|
1. 此調用的輸出將是一個 JSON 文件，詳細說明查詢、最高意圖以及按類型劃分的實體列表。
|
|
|
|
|
|
```JSON
|
|
|
{
|
|
|
"query": "set a timer for 45 minutes and 12 seconds",
|
|
|
"prediction": {
|
|
|
"topIntent": "set timer",
|
|
|
"intents": {
|
|
|
"set timer": {
|
|
|
"score": 0.97031575
|
|
|
},
|
|
|
"None": {
|
|
|
"score": 0.02205793
|
|
|
}
|
|
|
},
|
|
|
"entities": {
|
|
|
"number": [
|
|
|
45,
|
|
|
12
|
|
|
],
|
|
|
"time-unit": [
|
|
|
[
|
|
|
"minute"
|
|
|
],
|
|
|
[
|
|
|
"second"
|
|
|
]
|
|
|
]
|
|
|
}
|
|
|
}
|
|
|
}
|
|
|
```
|
|
|
|
|
|
上述 JSON 是通過查詢 `set a timer for 45 minutes and 12 seconds` 生成的：
|
|
|
|
|
|
* `set timer` 是最高意圖，概率為 97%。
|
|
|
* 檢測到兩個 *number* 實體，分別是 `45` 和 `12`。
|
|
|
* 檢測到兩個 *time-unit* 實體，分別是 `minute` 和 `second`。
|
|
|
|
|
|
## 使用語言理解模型
|
|
|
|
|
|
一旦發佈，LUIS 模型可以從代碼中調用。在之前的課程中，您已經使用 IoT Hub 處理與雲服務的通信，發送遙測數據並接收命令。這種方式是非常異步的——一旦遙測數據發送出去，您的代碼不會等待響應，如果雲服務宕機，您也不會知道。
|
|
|
|
|
|
對於智能計時器，我們希望立即獲得響應，這樣我們可以告訴用戶計時器已設置，或者提醒他們雲服務不可用。為此，我們的 IoT 設備將直接調用一個 Web Endpoint，而不是依賴 IoT Hub。
|
|
|
|
|
|
與其從 IoT 設備直接調用 LUIS，您可以使用無伺服器代碼和一種不同類型的觸發器——HTTP 觸發器。這允許您的函數應用程序監聽 REST 請求並對其進行響應。此函數將成為您的設備可以調用的 REST Endpoint。
|
|
|
|
|
|
> 💁 雖然您可以直接從 IoT 設備調用 LUIS，但使用無伺服器代碼會更好。這樣，當您想更改調用的 LUIS 應用程序時，例如訓練了一個更好的模型或用不同語言訓練了一個模型，您只需更新雲端代碼，而不需要重新部署到可能成千上萬甚至數百萬的 IoT 設備。
|
|
|
|
|
|
### 任務 - 創建無伺服器函數應用程序
|
|
|
|
|
|
1. 創建一個名為 `smart-timer-trigger` 的 Azure Functions 應用程序，並在 VS Code 中打開它。
|
|
|
|
|
|
1. 使用以下命令在 VS Code 終端中為此應用程序添加一個名為 `speech-trigger` 的 HTTP 觸發器：
|
|
|
|
|
|
```sh
|
|
|
func new --name text-to-timer --template "HTTP trigger"
|
|
|
```
|
|
|
|
|
|
這將創建一個名為 `text-to-timer` 的 HTTP 觸發器。
|
|
|
|
|
|
1. 通過運行函數應用程序來測試 HTTP 觸發器。運行時，您將在輸出中看到列出的 Endpoint：
|
|
|
|
|
|
```output
|
|
|
Functions:
|
|
|
|
|
|
text-to-timer: [GET,POST] http://localhost:7071/api/text-to-timer
|
|
|
```
|
|
|
|
|
|
通過在瀏覽器中加載 [http://localhost:7071/api/text-to-timer](http://localhost:7071/api/text-to-timer) URL 進行測試。
|
|
|
|
|
|
```output
|
|
|
This HTTP triggered function executed successfully. Pass a name in the query string or in the request body for a personalized response.
|
|
|
```
|
|
|
|
|
|
### 任務 - 使用語言理解模型
|
|
|
|
|
|
1. LUIS 的 SDK 可通過 Pip 包獲得。將以下行添加到 `requirements.txt` 文件中以添加對此包的依賴：
|
|
|
|
|
|
```sh
|
|
|
azure-cognitiveservices-language-luis
|
|
|
```
|
|
|
|
|
|
1. 確保 VS Code 終端已激活虛擬環境，並運行以下命令來安裝 Pip 包：
|
|
|
|
|
|
```sh
|
|
|
pip install -r requirements.txt
|
|
|
```
|
|
|
|
|
|
> 💁 如果出現錯誤，您可能需要使用以下命令升級 pip：
|
|
|
>
|
|
|
> ```sh
|
|
|
> pip install --upgrade pip
|
|
|
> ```
|
|
|
|
|
|
1. 在 `local.settings.json` 文件中為您的 LUIS API Key、Endpoint URL 和 App ID 添加新條目，這些信息可以從 LUIS 入口網站的 **MANAGE** 標籤中獲得：
|
|
|
|
|
|
```JSON
|
|
|
"LUIS_KEY": "<primary key>",
|
|
|
"LUIS_ENDPOINT_URL": "<endpoint url>",
|
|
|
"LUIS_APP_ID": "<app id>"
|
|
|
```
|
|
|
|
|
|
將 `<endpoint url>` 替換為 **MANAGE** 標籤中 *Azure 資源* 部分的 Endpoint URL。這將是 `https://<location>.api.cognitive.microsoft.com/`。
|
|
|
|
|
|
將 `<app id>` 替換為 **MANAGE** 標籤中 *Settings* 部分的 App ID。
|
|
|
|
|
|
將 `<primary key>` 替換為 **MANAGE** 標籤中 *Azure 資源* 部分的 Primary Key。
|
|
|
|
|
|
1. 將以下導入添加到 `__init__.py` 文件中：
|
|
|
|
|
|
```python
|
|
|
import json
|
|
|
import os
|
|
|
from azure.cognitiveservices.language.luis.runtime import LUISRuntimeClient
|
|
|
from msrest.authentication import CognitiveServicesCredentials
|
|
|
```
|
|
|
|
|
|
這將導入一些系統庫以及與 LUIS 交互的庫。
|
|
|
|
|
|
1. 刪除 `main` 方法的內容，並添加以下代碼：
|
|
|
|
|
|
```python
|
|
|
luis_key = os.environ['LUIS_KEY']
|
|
|
endpoint_url = os.environ['LUIS_ENDPOINT_URL']
|
|
|
app_id = os.environ['LUIS_APP_ID']
|
|
|
|
|
|
credentials = CognitiveServicesCredentials(luis_key)
|
|
|
client = LUISRuntimeClient(endpoint=endpoint_url, credentials=credentials)
|
|
|
```
|
|
|
|
|
|
這將加載您在 `local.settings.json` 文件中為 LUIS 應用程序添加的值，創建一個帶有 API Key 的憑據對象，然後創建一個 LUIS 客戶端對象以與您的 LUIS 應用程序交互。
|
|
|
|
|
|
1. 此 HTTP 觸發器將通過 JSON 傳遞要理解的文本，文本位於名為 `text` 的屬性中。以下代碼從 HTTP 請求的主體中提取該值，並將其記錄到控制台。將此代碼添加到 `main` 函數中：
|
|
|
|
|
|
```python
|
|
|
req_body = req.get_json()
|
|
|
text = req_body['text']
|
|
|
logging.info(f'Request - {text}')
|
|
|
```
|
|
|
|
|
|
1. 通過發送預測請求（包含要預測的文本的 JSON 文件）來向 LUIS 請求預測。使用以下代碼創建此請求：
|
|
|
|
|
|
```python
|
|
|
prediction_request = { 'query' : text }
|
|
|
```
|
|
|
|
|
|
1. 然後可以使用應用程序發佈到的暫存槽將此請求發送到 LUIS：
|
|
|
|
|
|
```python
|
|
|
prediction_response = client.prediction.get_slot_prediction(app_id, 'Staging', prediction_request)
|
|
|
```
|
|
|
|
|
|
1. 預測響應包含最高意圖（具有最高預測分數的意圖）以及實體。如果最高意圖是 `set timer`，則可以讀取實體以獲取計時器所需的時間：
|
|
|
|
|
|
```python
|
|
|
if prediction_response.prediction.top_intent == 'set timer':
|
|
|
numbers = prediction_response.prediction.entities['number']
|
|
|
time_units = prediction_response.prediction.entities['time unit']
|
|
|
total_seconds = 0
|
|
|
```
|
|
|
|
|
|
`number` 實體將是一個數字數組。例如，如果您說 *"Set a four minute 17 second timer."*，則 `number` 數組將包含兩個整數 - 4 和 17。
|
|
|
|
|
|
`time unit` 實體將是一個字符串數組的數組，每個時間單位作為數組中的一個字符串。例如，如果您說 *"Set a four minute 17 second timer."*，則 `time unit` 數組將包含兩個單值數組 - `['minute']` 和 `['second']`。
|
|
|
|
|
|
這些實體的 JSON 版本為 *"Set a four minute 17 second timer."*：
|
|
|
|
|
|
```json
|
|
|
{
|
|
|
"number": [4, 17],
|
|
|
"time unit": [
|
|
|
["minute"],
|
|
|
["second"]
|
|
|
]
|
|
|
}
|
|
|
```
|
|
|
|
|
|
此代碼還定義了一個計時器總時間（以秒為單位）的計數器。這將由實體中的值填充。
|
|
|
|
|
|
1. 實體之間沒有鏈接，但我們可以對它們做出一些假設。它們將按照說話的順序排列，因此可以使用數組中的位置來確定哪個數字與哪個時間單位匹配。例如：
|
|
|
|
|
|
* *"Set a 30 second timer"* - 這將有一個數字 `30` 和一個時間單位 `second`，因此單個數字將匹配單個時間單位。
|
|
|
* *"Set a 2 minute and 30 second timer"* - 這將有兩個數字 `2` 和 `30`，以及兩個時間單位 `minute` 和 `second`，因此第一個數字將對應第一個時間單位（2 分鐘），第二個數字對應第二個時間單位（30 秒）。
|
|
|
|
|
|
以下代碼獲取 `number` 實體中的項目數，並使用該數量從每個數組中提取第一個項目，然後是第二個，依此類推。將此代碼添加到 `if` 塊內。
|
|
|
|
|
|
```python
|
|
|
for i in range(0, len(numbers)):
|
|
|
number = numbers[i]
|
|
|
time_unit = time_units[i][0]
|
|
|
```
|
|
|
|
|
|
對於 *"Set a four minute 17 second timer."*，這將循環兩次，給出以下值：
|
|
|
|
|
|
| 循環次數 | `number` | `time_unit` |
|
|
|
| -------: | -------: | ----------- |
|
|
|
| 0 | 4 | minute |
|
|
|
| 1 | 17 | second |
|
|
|
|
|
|
1. 在此循環內，使用數字和時間單位計算計時器的總時間，為每分鐘添加 60 秒，並為每秒添加相應的秒數。
|
|
|
|
|
|
```python
|
|
|
if time_unit == 'minute':
|
|
|
total_seconds += number * 60
|
|
|
else:
|
|
|
total_seconds += number
|
|
|
```
|
|
|
|
|
|
1. 在實體循環之外，記錄計時器的總時間：
|
|
|
|
|
|
```python
|
|
|
logging.info(f'Timer required for {total_seconds} seconds')
|
|
|
```
|
|
|
|
|
|
1. 計時器的秒數需要作為 HTTP 響應從函數返回。在 `if` 塊的末尾添加以下代碼：
|
|
|
|
|
|
```python
|
|
|
payload = {
|
|
|
'seconds': total_seconds
|
|
|
}
|
|
|
return func.HttpResponse(json.dumps(payload), status_code=200)
|
|
|
```
|
|
|
|
|
|
此代碼創建一個包含計時器總秒數的有效負載，將其轉換為 JSON 字符串，並以狀態碼 200（表示調用成功）作為 HTTP 結果返回。
|
|
|
|
|
|
1. 最後，在 `if` 塊之外，處理未識別意圖的情況，返回錯誤代碼：
|
|
|
|
|
|
```python
|
|
|
return func.HttpResponse(status_code=404)
|
|
|
```
|
|
|
|
|
|
404 是 *未找到* 的狀態碼。
|
|
|
|
|
|
1. 運行函數應用程序並使用 curl 測試。
|
|
|
|
|
|
```sh
|
|
|
curl --request POST 'http://localhost:7071/api/text-to-timer' \
|
|
|
--header 'Content-Type: application/json' \
|
|
|
--include \
|
|
|
--data '{"text":"<text>"}'
|
|
|
```
|
|
|
|
|
|
將 `<text>` 替換為您的請求文本，例如 `set a 2 minutes 27 second timer`。
|
|
|
|
|
|
您將在函數應用程序的輸出中看到以下內容：
|
|
|
|
|
|
```output
|
|
|
Functions:
|
|
|
|
|
|
text-to-timer: [GET,POST] http://localhost:7071/api/text-to-timer
|
|
|
|
|
|
For detailed output, run func with --verbose flag.
|
|
|
[2021-06-26T19:45:14.502Z] Worker process started and initialized.
|
|
|
[2021-06-26T19:45:19.338Z] Host lock lease acquired by instance ID '000000000000000000000000951CAE4E'.
|
|
|
[2021-06-26T19:45:52.059Z] Executing 'Functions.text-to-timer' (Reason='This function was programmatically called via the host APIs.', Id=f68bfb90-30e4-47a5-99da-126b66218e81)
|
|
|
[2021-06-26T19:45:53.577Z] Timer required for 147 seconds
|
|
|
[2021-06-26T19:45:53.746Z] Executed 'Functions.text-to-timer' (Succeeded, Id=f68bfb90-30e4-47a5-99da-126b66218e81, Duration=1750ms)
|
|
|
```
|
|
|
|
|
|
curl 的調用將返回以下內容：
|
|
|
|
|
|
```output
|
|
|
HTTP/1.1 200 OK
|
|
|
Date: Tue, 29 Jun 2021 01:14:11 GMT
|
|
|
Content-Type: text/plain; charset=utf-8
|
|
|
Server: Kestrel
|
|
|
Transfer-Encoding: chunked
|
|
|
|
|
|
{"seconds": 147}
|
|
|
```
|
|
|
|
|
|
計時器的秒數位於 `"seconds"` 值中。
|
|
|
|
|
|
> 💁 您可以在 [code/functions](../../../../../6-consumer/lessons/2-language-understanding/code/functions) 文件夾中找到此代碼。
|
|
|
|
|
|
### 任務 - 讓您的函數可供 IoT 設備使用
|
|
|
|
|
|
1. 為了讓您的 IoT 設備調用您的 REST Endpoint，它需要知道 URL。當您之前訪問它時，您使用了 `localhost`，這是一個訪問本地機器上 REST Endpoint 的快捷方式。要讓您的 IoT 設備訪問，您需要將其發佈到雲端，或者獲取您的 IP 地址以在本地訪問。
|
|
|
|
|
|
> ⚠️ 如果您使用的是 Wio Terminal，運行函數應用程序在本地會更容易，因為會有依賴庫，這意味著您無法像之前那樣部署函數應用程序。在本地運行函數應用程序並通過計算機的 IP 地址訪問它。如果您確實想部署到雲端，後續課程中將提供相關信息。
|
|
|
|
|
|
* 發佈函數應用程序 - 按照之前課程中的說明將函數應用程序發佈到雲端。發佈後，URL 將是 `https://<APP_NAME>.azurewebsites.net/api/text-to-timer`，其中 `<APP_NAME>` 是您的函數應用程序名稱。確保也發佈您的本地設置。
|
|
|
|
|
|
當使用 HTTP 觸發器時，它們默認通過函數應用程序密鑰進行保護。要獲取此密鑰，運行以下命令：
|
|
|
|
|
|
```sh
|
|
|
az functionapp keys list --resource-group smart-timer \
|
|
|
--name <APP_NAME>
|
|
|
```
|
|
|
|
|
|
從 `functionKeys` 部分複製 `default` 條目的值。
|
|
|
|
|
|
```output
|
|
|
{
|
|
|
"functionKeys": {
|
|
|
"default": "sQO1LQaeK9N1qYD6SXeb/TctCmwQEkToLJU6Dw8TthNeUH8VA45hlA=="
|
|
|
},
|
|
|
"masterKey": "RSKOAIlyvvQEQt9dfpabJT018scaLpQu9p1poHIMCxx5LYrIQZyQ/g==",
|
|
|
"systemKeys": {}
|
|
|
}
|
|
|
```
|
|
|
|
|
|
此密鑰需要作為查詢參數添加到 URL 中，因此最終的 URL 將是 `https://<APP_NAME>.azurewebsites.net/api/text-to-timer?code=<FUNCTION_KEY>`，其中 `<APP_NAME>` 是您的函數應用程序名稱，`<FUNCTION_KEY>` 是您的默認函數密鑰。
|
|
|
|
|
|
> 💁 您可以使用 `function.json` 文件中的 `authlevel` 設置更改 HTTP 觸發器的授權類型。您可以在 [Microsoft Docs 上的 Azure Functions HTTP 觸發器文檔配置部分](https://docs.microsoft.com/azure/azure-functions/functions-bindings-http-webhook-trigger?WT.mc_id=academic-17441-jabenn&tabs=python#configuration) 中閱讀更多相關信息。
|
|
|
|
|
|
* 在本地運行函數應用程序並使用 IP 地址訪問 - 您可以獲取計算機在本地網絡上的 IP 地址，並使用該地址構建 URL。
|
|
|
|
|
|
獲取您的 IP 地址：
|
|
|
|
|
|
* 在 Windows 10 上，請參考 [查找您的 IP 地址指南](https://support.microsoft.com/windows/find-your-ip-address-f21a9bbc-c582-55cd-35e0-73431160a1b9?WT.mc_id=academic-17441-jabenn)。
|
|
|
* 在 macOS 上，請參考 [如何在 Mac 上查找 IP 地址指南](https://www.hellotech.com/guide/for/how-to-find-ip-address-on-mac)。
|
|
|
* 在 Linux 上，請參考 [如何在 Linux 中查找 IP 地址指南](https://opensource.com/article/18/5/how-find-ip-address-linux) 中的查找私有 IP 地址部分。
|
|
|
|
|
|
獲取 IP 地址後，您將能夠通過 `http://`
|
|
|
|
|
|
:7071/api/text-to-timer`，其中 `<IP_ADDRESS>` 是你的 IP 地址，例如 `http://192.168.1.10:7071/api/text-to-timer`。
|
|
|
|
|
|
> 💁 請注意這裡使用了 7071 埠，因此在 IP 地址後需要加上 `:7071`。
|
|
|
|
|
|
> 💁 這僅在你的 IoT 裝置與電腦位於同一網絡時才有效。
|
|
|
|
|
|
1. 使用 curl 測試該端點。
|
|
|
|
|
|
---
|
|
|
|
|
|
## 🚀 挑戰
|
|
|
|
|
|
設置計時器有很多不同的請求方式。想想不同的方法來完成這件事，並將它們作為範例添加到你的 LUIS 應用中。測試這些範例，看看你的模型能否處理多種設置計時器的請求方式。
|
|
|
|
|
|
## 課後測驗
|
|
|
|
|
|
[課後測驗](https://black-meadow-040d15503.1.azurestaticapps.net/quiz/44)
|
|
|
|
|
|
## 回顧與自學
|
|
|
|
|
|
* 在 [Microsoft Docs 的語言理解 (LUIS) 文件頁面](https://docs.microsoft.com/azure/cognitive-services/luis/?WT.mc_id=academic-17441-jabenn)上閱讀更多關於 LUIS 及其功能的資訊
|
|
|
* 在 [維基百科的自然語言理解頁面](https://wikipedia.org/wiki/Natural-language_understanding)上閱讀更多關於語言理解的資訊
|
|
|
* 在 [Microsoft Docs 的 Azure Functions HTTP 觸發器文件頁面](https://docs.microsoft.com/azure/azure-functions/functions-bindings-http-webhook-trigger?WT.mc_id=academic-17441-jabenn&tabs=python)上閱讀更多關於 HTTP 觸發器的資訊
|
|
|
|
|
|
## 作業
|
|
|
|
|
|
[取消計時器](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
**免責聲明**：
|
|
|
本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。 |
