模型存储¶
训练对话机器人后，模型可以存储在不同的地方。本页介绍如何配置 Rasa CLI 来加载模型。
你可以通过三种不同的方式加载训练好的模型：
默认情况下，Rasa CLI 的所有命令都会从本地磁盘加载模型。
从磁盘加载模型¶
默认情况下，模型将从本地磁盘加载。可以使用 --model 参数指定模型的路径：
如果要在目录中加载最新模型，可以指定目录而不是文件：
Rasa 将检查该目录中的所有模型并加载最近训练的模型。
如果不指定 --model 参数，Rasa 将在 models/ 目录中查找模型。以下两个调用将加载相同的模型：
# this command will load the same model
rasa run --model models/
# ... as this command (using defaults)
rasa run
从服务器加载模型¶
你可以将 Rasa 服务器配置为定期从服务器获取模型并进行部署。
如何配置 Rasa¶
可以将 HTTP 服务器配置为从另一个 URL 获取模型，方式是将其添加到 endpoints.yml 中：
models:
url: http://my-server.com/models/default
wait_time_between_pulls: 10 # In seconds, optional, default: 100
服务器将每隔 wait_time_between_pulls 秒查询压缩模型的 url。
如果只想在启动服务器时拉取模型，可以将拉取之间的时间设置为 null：
models:
url: http://my-server.com/models/default
wait_time_between_pulls: null # fetches model only once
如何配置服务器¶
Rasa 将向在 endpoints.yml 中指定的 URL 发送 GET 请求，例如上例中的 http://my-server.com/models/default。你可以使用任何 URL。GET 请求将包含一个 If-None-Match 的头，其中包含它下载的最后一个模型的哈希值。从开源 Rasa 到你的服务器的示例请求如下所示：
服务器对此 GET 请求的响应应该是如下之一：
200状态码和一个压缩的 Rasa 模型，并在模型哈希的响应中设置ETag头。304状态码和空响应，如果请求的If-None-Match头与你希望模型返回的模型匹配。
Rasa 使用 If-None-Match 和 ETag 头进行缓存。设置头将避免一遍又一遍地重复下载相同的模型，从而节省带宽和计算资源。
从云端加载模型¶
还可以配置 Rasa 服务器从远程存储中获取模型：
压缩后的模型将从云存储中下载、解压缩并部署。Rasa 支持从如下位置加载模型：
模型需要存储在存储服务的根文件夹中。目前无法手动指定云存储上的路径。
亚马逊 S3 存储¶
使用 boto3 包来支持亚马逊 S3，需要使用 pip3 来安装附加依赖：
为了让 Rasa 能够验证和下载模型，需要在运行任何需要存储的命令之前设置如下环境变量：
AWS_SECRET_ACCESS_KEY：AWS S3 访问密钥。AWS_ACCESS_KEY_ID：AWS S3 访问密钥 ID。AWS_DEFAULT_REGION：AWS S3 存储桶区域。BUCKET_NAME：AWS S3 存储桶名称。AWS_ENDPOINT_URL：AWS S3 请求的完整 URL。需要指定一个完整的 URL（包括 http/https 协议）。例如：https://s3.amazonaws.com。注意，通过将存储桶名称设置为BUCKET_NAME环境变量，不应该向AWS_ENDPOINT_URL提供存储桶或对象 URL。
设置好所有环境变量后，可以将 remote-storage 选项设置为 aws 来启动 Rasa 服务器：
谷歌云存储¶
使用 google-cloud-storage 包支持谷歌云存储（GCS），需要使用 pip3 来安装附加依赖：
如果你在 Google App Engine 或 Compute Engine 上运行 Rasa，则已设置身份验证凭据（针对同一项目中的 GCS）。在这种情况下，可以跳过设置任何其他环境变量。
如果你在本地或 GAE 或 GCE 之外的其他机器上运行，只需要手动向 Rasa 提供身份验证详细信息：
- 查看 GCS 文档并按照“Creating a service account”和“Setting the environment variable”的说明进行操作。
- 按照 GCS 说明完成后，应该将名为
GOOGLE_APPLICATION_CREDENTIALS的环境变量设置为有权访问 GCS 的服务账号密钥文件的路径。
设置好所有环境变量后，可以将 remote-storage 选项设置为 gcs 来启动 Rasa 服务器：
Azure 存储¶
使用 azure-storage-blob 包支持 Azure 存储，需要使用 pip3 来安装附加依赖：
为了让 Rasa 能够验证和下载模型，需要在运行任何需要存储的命令之前设置如下环境变量：
AZURE_CONTAINER：Azure 容器名称。AZURE_ACCOUNT_NAME：Azure 帐户名称。AZURE_ACCOUNT_KEY：Azure 账户密钥。
设置好所有环境变量后，可以将 remote-storage 选项设置为 azure 来启动 Rasa 服务器：
其他远程存储¶
如果你想使用任何其他云存储，可以提供自己的 rasa.nlu.persistor.Persistor 类的 Python 实现。
将 remote-storage 设置为持久器实现的模块路径来启动 Rasa 服务器：
保存模型至云端¶
3.10 版本新特性
你现在还可以在训练后将模型保存到云端。
你还可以配置 Rasa 服务器以将你的模型上传到远程存储：
注意
在将模型推送到远程存储时提供固定的模型名称很有用，因为你可以在下载和运行 rasa bot 时引用相同的名称。如果没有提供固定的模型名称，rasa 将生成一个模型名称并将其上传到远程存储。
压缩后的模型将上传到云存储。Rasa 支持将模型上传到：
模型需要存储在存储服务的根文件夹中。目前无法手动指定云存储上的路径。