上周，我很高兴能用开源框架Rasa来开发聊天机器人。使用Rasa，你可以获得大量的灵活性，从设计对话到开发NLU逻辑再到部署。
但是，"耶"很快就变成了把我的头往砖墙上撞。最初的Rasa机器人本身开始在我的4个核心和16GB内存的不太坏的笔记本电脑上崩溃。
我必须找到其他可以进行开发的平台，但我不想花钱去玩弄那些开源框架。准确地说，我真正需要的是一个支持VS Code的免费机器学习实验平台。
我将带你了解我是如何用完全免费的云端平台来解决这些挑战的。
我发现AWS Sagemaker Studiolab是运行我的Rasa机器学习工作负载的一个可靠选择。它是免费的，有15GB的持久性存储，复杂算法有12小时的CPU会话，深度学习算法有4小时的GPU会话。
Sagemaker还提供一个Jupyterlab服务器，而不是一个开发IDE平台。我迫切需要我最喜欢的VS Code界面，这就是我偶然发现Github Codespaces的原因。
Codespaces提供了一个基于云的VS Code环境，但它不能运行像ML训练这样的计算密集型工作。所以我需要一个 "两全其美 "的方法。我需要Studiolab的VScode。
Code-server来拯救我!Code-server是一个python库，它可以帮助你在一台机器上设置VS Code服务器。
我们将使用的工具
- AWS Sagemaker Studiolab
- Conda
- Rasa
- VScode的Code-server
Conda环境设置
让我们来看看如何将这些东西连接在一起。我们首先在Studiolab中创建一个空的文件夹，并在该文件夹中运行以下命令：
conda create --name rasa-env python==3.8
conda activate rasa-env
python -m pip uninstall pip
python -m ensurepip
python -m pip install -U pip
python -m pip install --upgrade setuptools
python -m pip install rasa
这些命令将在Studiolab中创建一个新的Conda环境，名为rasa-env，并在其中安装Rasa。 如果你想用SSH访问Git，你也可以运行conda install openssh 。
要在这个Conda环境中安装VS Code服务器，执行命令conda install -y -c conda-forge code-server 。现在，你已经有了自己的Conda环境，安装了Rasa、代码服务器和OpenSSH。
当然，我们将在Git仓库中维护Rasa的代码。如果有人想拉下这个仓库，我们不想让他经历同样的创建环境的麻烦，对吗？
为了使他们的生活更轻松，我们将使用命令conda env export --file environment.yml ，生成一个environment.yml文件，它相当于Conda的requirements.txt。使用这个文件，你可以通过运行conda env create -n rasa-env -f environment.yml ，重新创建环境。
VScode设置
现在我们已经完成了环境的设置，我们可以在一个新的标签中启动VS Code服务器并开始我们的Rasa开发。
要启动VS Code服务器，在Studiolab中打开一个新的终端并执行code-server --auth none ：
上面的图片显示了运行code-server命令后产生的日志。你也可以通过认证来启动code-server，这将允许只有拥有密码的人才能访问VS Code服务器。
复制你的Studiolab环境的URL，看起来像*xxxxxxxxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/studiolab/d… Code服务器URL。
在一个单独的标签中输入这个新的URL，以导航到Studiolab中运行的VS Code。等待3-5分钟，服务器就会出现。一旦服务器启动，我们会看到VS Code终端的文字是模糊的：
为了解决这个问题，请使用VS Code的设置terminal.integrated.gpuAcceleration ，关闭VS Code终端的gpu加速：
Rasa开发
最后，通过运行conda activate rasa-env 激活rasa-env Conda环境，以激活我们的Rasa开发环境。
让我们现在就开始动手操作Rasa吧。为了初始化一个Rasa项目样本，在文件夹中运行rasa init 。一旦初始化完成，我们将在文件夹中得到一个基本机器人的代码。
接下来，我们必须为机器人生成NLU模型。rasa train ，生成模型并以.tar.gz格式转储到models子文件夹中。
现在，是关键时刻--运行rasa shell 。如果一切顺利，我们的机器人就可以在VS Code服务器上运行了，而VS Code服务器又在Studiolab运行时运行。
完成后不要忘记清理一切，停止Studiolab运行时中的VS Code服务器，最后停止运行时本身。
收尾工作
就这样吧!你有了自己的、完全免费的、基于云的聊天机器人开发环境，你可以通过VS Code界面运行计算密集型工作负载。
如果你学到了新的东西，或者喜欢阅读这篇文章，请分享给大家，以便其他人能够看到。在那之前，我们在下一篇文章中再见吧!
你也可以在Twitter上找到我@Live_ByThe_Code。
你可以在这里阅读更多类似的文章。
