ChatGPT 的 18 种玩法,惊到我了!!

先做个广告:如需代注册帐号或代充值Chatgpt Plus会员,请添加站长客服微信:muhuanidc

程序员的成长之路
互联网/程序员/技术/资料共享 
关注


浏览本文大概需要 7 分钟。

来自:blog.csdn.net/weixin_42475060/article/details/129399125

  • 语法更正
  • 文本翻译
  • 语言转换
  • 代码解释⑴
  • 代码解释⑵
  • 修复代码毛病
  • 作为百科全书
  • 信息提取
  • 好友聊天
  • 创意生成器
  • 采访问题
  • 论文大纲
  • 故事创作
  • 问题类比
  • 创建SQL需求
  • 情感分析
  • 将产品描写转变成广告
  • 关键字提取
  • 闲谈机器人

你肯定,你会使用 ChatGPT 了吗?
今天给大家整理了 18 种 ChatGPT 的用法,看看有哪几种方法是你能得上的。

语法更正

用处:文章、论文等润饰。
图片

文本翻译

用处:平常学习、商务翻译等。
图片

语言转换

Python–>JAVA
用处:工作用处,区别语言工程师之间的合作,更加方便。

import numpy as np
import plotly.express as px

def thresholding_algo(y, lag, threshold):
    """
    :param y: 输入列表
    :param lag: 滑动窗口大小
    :param threshold: 调理系数,用于调理容忍范围的大小。
    :return:
    """

    # signals:信号列表
    signals = np.zeros(len(y))
    avgFilter = np.zeros(len(y))

    # 初始化平均值列表、差值列表
    avgFilter[lag - 1] = np.mean(y[0:lag])
    dif_li = [0] * len(y)

    for i in range(lag, len(y)):
        if i < len(y) - lag - 30:
            for j in range(i + 11, len(y)):
                if y[j] >= y[i - 1]:
                    break
            if j >= len(y) - 30:
                back = y[i - 1]
            else:
                back = np.mean(y[j + 11:j + 20 + lag])
        else:
            back = y[i - 1]

        # 前后均值差值计算
        tmp = abs(back - avgFilter[i - 1])
        dif = (tmp if tmp > 1 else 1)

        if abs(y[i] - avgFilter[i - 1]) > dif * threshold:
            signals[i] = (1 if y[i] > avgFilter[i - 1] else ⑴)
            avgFilter[i] = np.mean(y[(i - lag):i])
            y[i] = avgFilter[i - 1]
        else:
            signals[i] = 0
            avgFilter[i] = np.mean(y[(i - lag):i])

        dif_li[i] = dif

    return dict(signals=np.asarray(signals),
                avgFilter=np.asarray(avgFilter),
                y=np.asarray(y),
                dif=np.asarray(dif_li),
                )

图片

public static Map thresholding_algo(double[] y, int lag, double threshold) {

    double[] signals = new double[y.length];
    double[] avgFilter = new double[y.length];
    Arrays.fill(avgFilter, 0.0);

    avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
    double[] dif_li = new double[y.length];
    Arrays.fill(dif_li, 0.0);

    for (int i = lag; i < y.length; i++) {
        int j;
        if (i < y.length - lag - 30) {
            for (j = i + 11; j < y.length; j++) {
                if (y[j] >= y[i - 1]) {
                    break;
                }
            }
            double back;
            if (j >= y.length - 30) {
                back = y[i - 1];
            } else {
                back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));
            }
        } else {
            back = y[i - 1];
        }

        double tmp = Math.abs(back - avgFilter[i - 1]);
        double dif = tmp > 1 ? tmp : 1;

        if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {
            signals[i] = y[i] > avgFilter[i - 1] ? 1 : ⑴;
            avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
            y[i] = avgFilter[i - 1];
        } else {
            signals[i] = 0;
            avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
        }

        dif_li[i] = dif;
    }

    Map result = new HashMap<>();
    result.put("signals", signals);
    result.put("avgFilter", avgFilter);
    result.put("y", y);
    result.put("dif", dif_li);

    return result;
}

private static double mean(double[] array) {
    double sum = 0.0;
    for (double d : array) {
        sum += d;
    }
    return sum / array.length;
}

代码解释⑴

用处:当我们来到一家新的公司,发现前任工程师留下了一摊谁都看不懂的代码,这时候候,如果有个人能帮我们解释一下这些代码是甚么意思,那简直不要太开心。
图片

def Fusion_algorithm(y_list):
    """
    终究的融会算法
    1、第一次遍历列表: 处理掉小于上一个值的点,使其等于上一个值。
    2、第二次使用z-score来处理异常点:一种基于统计方法的时序异常检测算法鉴戒了一些经典的统计方法,比如Z-score和移动平均线
    该算法将时间序列中的每一个数据点都看做是来自一个正态散布,通过计算每一个数据点与其临接数据点的平均值和标准差,可以取得Z-score
    并将其用于检测异常值,将z-score大于3的数据点视为异常值,缺点:如果异常点太多,则该算法的准确性较差。
    3、
    :param y_list: 传入需要处理的时间序列
    :return:
    """

    # 第一次处理
    for i in range(1, len(y_list)):
        difference = y_list[i] - y_list[i - 1]
        if difference <= 0:
            y_list[i] = y_list[i - 1]
        # 基于突变检测的方法:如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值,
        # 则该数据点多是一个突变的异常点。这类方法需要使用一些突变检测算法,如Z-score突变检测、CUSUM(Cumulative Sum)
        # else:
        #     if abs(difference) > 2 * np.mean(y_list[:i]):
        #         y_list[i] = y_list[i - 1]

    # 第二次处理
    # 计算每一个点的移动平均值和标准差
    ma = np.mean(y_list)
    # std = np.std(np.array(y_list))
    std = np.std(y_list)
    # 计算Z-score
    z_score = [(x - ma) / std for x in y_list]
    # 检测异常值
    for i in range(len(y_list)):
        # 如果z-score大于3,则为异常点,去除
        if z_score[i] > 3:
            print(y_list[i])
            y_list[i] = y_list[i - 1]

    return y_list

图片

代码解释⑵

备注:上一个代码解释,我们可以看到,答案也许遭到了代码中注释的影响,我们删掉注释,再来一次。对解释中一些不懂的点,我们可以连续追问!
图片

import numpy as np
from sklearn.ensemble import IsolationForest
import plotly.express as px
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import json

def Fusion_algorithm(y_list):
    for i in range(1, len(y_list)):
        difference = y_list[i] - y_list[i - 1]
        if difference <= 0:
            y_list[i] = y_list[i - 1]
    
        # else:
        #     if abs(difference) > 2 * np.mean(y_list[:i]):
        #         y_list[i] = y_list[i - 1]


    ma = np.mean(y_list)
    std = np.std(y_list)
    z_score = [(x - ma) / std for x in y_list]
    for i in range(len(y_list)):
        if z_score[i] > 3:
            print(y_list[i])
            y_list[i] = y_list[i - 1]

    return y_list

图片
图片

修复代码毛病

用处:写完一段代码后发现有毛病?让chatGPT来帮你!
图片

# Buggy Python
import Random
a = random.randint(1,12)
b = random.randint(1,12)
for i in range(10):
    question = "What is "+a+" x "+b+"? "
    answer = input(question)
    if answer = a*b
        print (Well done!)
    else:
        print("No.")

图片

作为百科全书

用处:chatGPT可以解释你所有的问题!但是列出小说这个功能有些拉跨,经过测试只有科幻小说列的还可以,其他类型不太行,可能chatgpt训练工程师是个科幻迷!
图片

信息提取

用处:作为自然语言处理界的大模型,怎样能少得了信息提取呢?
图片

好友聊天

用处:输入对方性情摹拟聊天,这方面功能不太完善,可能有新鲜玩法我还没有发掘出来。
图片
图片

创意生成器

用处:是不是是常常会在创新上遇到思惟瓶颈不知道怎样做?不要担心,让chatGPT帮你生成创意!
VR和密室结合
图片
再结合AR
图片

采访问题

用处:可能您是一个媒体工作者,采访问题不知道如何写?chatGPT可以帮您解决。
采访问题清单
图片
采访问题清单并给出相应对案
图片

论文大纲

用处:这个功能对研究生简直不要太爽了,一直在愁闷大纲如何写,直接列出来大纲简直帮了我天大的忙!对大纲中不理解的点,直接要求chatGPT给出进一步解释。代码也能够有!那一章的内容不太会写,直接让chatGPT安排,这样,一篇论文很快就写出来啦!
创建论文大纲
图片
解释大纲内容
图片

class PBA(nn.Module):
    def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):
        super(PBA, self).__init__()
        self.PerformanceThreshold = PerformanceThreshold
        self.DistributionType = DistributionType
        self.AttentionWeightRange = AttentionWeightRange
        
    def forward(self, input, performance_scores):
        # 计算注意力分数
        attention_scores = []
        for i in range(len(input)):
            if performance_scores[i] > self.PerformanceThreshold:
                attention_scores.append(performance_scores[i])
            else:
                attention_scores.append(0.0)
                
        # 将性能分数映照到注意力权重
        if self.DistributionType == "softmax":
            attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)
        elif self.DistributionType == "sigmoid":
            attention_weights = torch.sigmoid(torch.tensor(attention_scores))
        else:
            raise ValueError("Unknown distribution type: {}".format(self.DistributionType))
        
        # 缩放注意力权重到指定范围
        attention_weights = attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]
        
        # 计算加权输入
        weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))
        output = torch.sum(weighted_input, dim=0)
        
        return output

故事创作

用处:这个功能真的太太太棒了,以后我自己列提纲出来就能够写小说啦!
爱情故事
图片
恐怖故事
图片
图片

问题类比

用处:当你想要做一个比喻时,这是一个很棒的功能。
图片

创建SQL需求

用处:写SQL有时候挺头疼的,想好久想不起来。
图片

情感分析

用处:这个功能让我想起来在之前公司做的情感分析任务了。
图片

将产品描写转变成广告

用处:这个功能对商家来讲太棒了。
图片

关键字提取

用处:NLP任务的重要作用,关键字提取!
图片

闲谈机器人

用处:这个不多说了,用来闲谈体验感真的很不错。
图片
图片

总结

我觉得角色扮演挺成心思的,对话前加一句:假设你是 xxx。
现在有一些小程序,让AI扮演一些角色对话,就是用这类方法实现的。

推荐浏览:

Redis 官方可视化工具,功能真心强大!高颜值

SpringBoot 生产中 16 条最好实践

互联网初中高级大厂面试题(9个G)

内容包括Java基础、JavaWeb、MySQL性能优化、JVM、锁、百万并发、消息队列、高性能缓存、反射、Spring全家桶原理、微服务、Zookeeper......等技术栈!

戳浏览原文领取!                                  朕已阅 

ChatGPT相关资讯

ChatGPT热门资讯

X

截屏,微信识别二维码

微信号:muhuanidc

(点击微信号复制,添加好友)

打开微信

微信号已复制,请打开微信添加咨询详情!