本文使用《使用ResponseSelector实现校园招聘FAQ机器人》中的例子，主要详解介绍_train_graph()函数中变量的具体值。

一.rasa/model_training.py/_train_graph()函数
  _train_graph()函数实现，如下所示：

def _train_graph(
    file_importer: TrainingDataImporter,
    training_type: TrainingType,
    output_path: Text,
    fixed_model_name: Text,
    model_to_finetune: Optional[Union[Text, Path]] = None,
    force_full_training: bool = False,
    dry_run: bool = False,
    **kwargs: Any,
) -> TrainingResult:
    if model_to_finetune:  # 如果有模型微调
        model_to_finetune = rasa.model.get_model_for_finetuning(model_to_finetune)  # 获取模型微调
        if not model_to_finetune:  # 如果没有模型微调
            rasa.shared.utils.cli.print_error_and_exit(  # 打印错误并退出
                f"No model for finetuning found. Please make sure to either "   # 没有找到微调模型。请确保
                f"specify a path to a previous model or to have a finetunable " # 要么指定一个以前模型的路径，要么有一个可微调的
                f"model within the directory '{output_path}'."                  # 在目录'{output_path}'中的模型。
            )

        rasa.shared.utils.common.mark_as_experimental_feature(  # 标记为实验性功能
            "Incremental Training feature"  # 增量训练功能
        )

    is_finetuning = model_to_finetune is not None  # 如果有模型微调

    config = file_importer.get_config()  # 获取配置
    recipe = Recipe.recipe_for_name(config.get("recipe"))  # 获取配方
    config, _missing_keys, _configured_keys = recipe.auto_configure(  # 自动配置
        file_importer.get_config_file_for_auto_config(),  # 获取自动配置的配置文件
        config,  # 配置
        training_type,  # 训练类型
    )
    model_configuration = recipe.graph_config_for_recipe(  # 配方的graph配置
        config,  # 配置
        kwargs,  # 关键字参数
        training_type=training_type,  # 训练类型
        is_finetuning=is_finetuning,  # 是否微调
    )
    rasa.engine.validation.validate(model_configuration)  # 验证

    tempdir_name = rasa.utils.common.get_temp_dir_name()  # 获取临时目录名称

    # Use `TempDirectoryPath` instead of `tempfile.TemporaryDirectory` as this leads to errors on Windows when the context manager tries to delete an already deleted temporary directory (e.g. https://bugs.python.org/issue29982)
    # 翻译：使用TempDirectoryPath而不是tempfile.TemporaryDirectory，因为当上下文管理器尝试删除已删除的临时目录时，这会导致Windows上的错误（例如https://bugs.python.org/issue29982）
    with rasa.utils.common.TempDirectoryPath(tempdir_name) as temp_model_dir:  # 临时模型目录
        model_storage = _create_model_storage(  # 创建模型存储
            is_finetuning, model_to_finetune, Path(temp_model_dir)  # 是否微调，模型微调，临时模型目录
        )
        cache = LocalTrainingCache()  # 本地训练缓存
        trainer = GraphTrainer(model_storage, cache, DaskGraphRunner)  # Graph训练器

        if dry_run:  # dry运行
            fingerprint_status = trainer.fingerprint(                        # fingerprint状态
                model_configuration.train_schema, file_importer              # 模型配置的训练模式，文件导入器
            )
            return _dry_run_result(fingerprint_status, force_full_training)  # 返回dry运行结果

        model_name = _determine_model_name(fixed_model_name, training_type)  # 确定模型名称
        full_model_path = Path(output_path, model_name)                # 完整的模型路径

        with telemetry.track_model_training(                    # 跟踪模型训练
            file_importer, model_type=training_type.model_type  # 文件导入器，模型类型
        ):
            trainer.train(                               # 训练
                model_configuration,                     # 模型配置
                file_importer,                           # 文件导入器
                full_model_path,                         # 完整的模型路径
                force_retraining=force_full_training,    # 强制重新训练
                is_finetuning=is_finetuning,             # 是否微调
            )
            rasa.shared.utils.cli.print_success(         # 打印成功
                f"Your Rasa model is trained and saved at '{full_model_path}'."  # Rasa模型已经训练并保存在'{full_model_path}'。
            )

        return TrainingResult(str(full_model_path), 0)   # 训练结果

1.传递来的形参数据

2._train_graph()函数组成
  该函数主要由3个方法组成，如下所示：

• model_configuration = recipe.graph_config_for_recipe(*)
• trainer = GraphTrainer(model_storage, cache, DaskGraphRunner)
• trainer.train(model_configuration, file_importer, full_model_path, force_retraining, is_finetuning)

二._train_graph()函数中的方法
1.file_importer.get_config()
  将config.yml文件转化为dict类型，如下所示：

2.Recipe.recipe_for_name(config.get(“recipe”))

（1）ENTITY_EXTRACTOR = ComponentType.ENTITY_EXTRACTOR
实体抽取器。
（2）INTENT_CLASSIFIER = ComponentType.INTENT_CLASSIFIER
意图分类器。
（3）MESSAGE_FEATURIZER = ComponentType.MESSAGE_FEATURIZER
消息特征化。
（4）MESSAGE_TOKENIZER = ComponentType.MESSAGE_TOKENIZER
消息Tokenizer。
（5）MODEL_LOADER = ComponentType.MODEL_LOADER
模型加载器。
（6）POLICY_WITHOUT_END_TO_END_SUPPORT = ComponentType.POLICY_WITHOUT_END_TO_END_SUPPORT
非端到端策略支持。
（7）POLICY_WITH_END_TO_END_SUPPORT = ComponentType.POLICY_WITH_END_TO_END_SUPPORT
端到端策略支持。

3.model_configuration = recipe.graph_config_for_recipe(*)
  model_configuration.train_schema和model_configuration.predict_schema的数据类型都是GraphSchema类对象，分别表示在训练和预测时所需要的SchemaNode，以及SchemaNode在GraphSchema中的依赖关系。

（1）model_configuration.train_schema

• schema_validator：rasa.graph_components.validators.default_recipe_validator.DefaultV1RecipeValidator类中的validate方法
• finetuning_validator：rasa.graph_components.validators.finetuning_validator.FinetuningValidator类中的validate方法
• nlu_training_data_provider：rasa.graph_components.providers.nlu_training_data_provider.NLUTrainingDataProvider类中的provide方法
• train_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的train方法
• run_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的process_training_data方法
• run_LanguageModelFeaturizer1：rasa.nlu.featurizers.dense_featurizer.lm_featurizer.LanguageModelFeaturizer类中的process_training_data方法
• train_DIETClassifier2：rasa.nlu.classifiers.diet_classifier.DIETClassifier类中的train方法
• train_ResponseSelector3：rasa.nlu.selectors.response_selector.ResponseSelector类中的train方法

说明：ResponseSelector类继承自DIETClassifier类。

（2）model_configuration.predict_schema

• nlu_message_converter：rasa.graph_components.converters.nlu_message_converter.NLUMessageConverter类中的convert_user_message方法
• run_JiebaTokenizer0：rasa.nlu.tokenizers.jieba_tokenizer.JiebaTokenizer类中的process方法
• run_LanguageModelFeaturizer1：rasa.nlu.featurizers.dense_featurizer.lm_featurizer.LanguageModelFeaturizer类中的process方法
• run_DIETClassifier2：rasa.nlu.classifiers.diet_classifier.DIETClassifier类中的process方法
• run_ResponseSelector3：rasa.nlu.selectors.response_selector.ResponseSelector类中的process方法
• run_RegexMessageHandler：rasa.nlu.classifiers.regex_message_handler.RegexMessageHandler类中的process方法

4.tempdir_name
  ‘C:\Users\ADMINI~1\AppData\Local\Temp\tmpg0v179ea’

5.trainer = GraphTrainer(*)和trainer.train(*)
  这里执行的代码是rasa/engine/training/graph_trainer.py中GraphTrainer类的train()方法，实现功能为训练和打包模型并返回预测graph运行程序。

6.Rasa中GraphComponent的子类

参考文献：
[1]https://github.com/RasaHQ/rasa
[2]rasa 3.2.10 NLU模块的训练：https://zhuanlan.zhihu.com/p/574935615
[3]rasa.engine.graph：https://rasa.com/docs/rasa/next/reference/rasa/engine/graph/