ChatGPT 的 18 种玩法，惊到我了！！

chatgpt2023-05-16 00:01:01221

先做个广告：如需购买GPT帐号或代充值Chatgpt Plus（GPT4）会员，请添加站长客服微信：GPTchongzhi（备注好你的需求）

程序员的成长之路

互联网/程序员/技术/资料共享

推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top

阅读本文大概需要 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-1
代码解释-2
修复代码错误
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
将产品描述转变为广告
关键字提取
闲聊机器人

你确定，你会使用 ChatGPT 了吗？

今天给大家整理了 18 种 ChatGPT 的用法，看看有哪些方法是你能得上的。

语法更正

用途：文章、论文等润色。

图片

文本翻译

用途：日常学习、商务翻译等。

图片

语言转换

Python–>JAVA

用途：工作用途，不同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: 调节系数，用于调节容忍范围的大小。
    :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 -1)
            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 : -1;
            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-1

用途：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，如果有个人能帮我们解释一下这些代码是什么意思，那简直不要太开心。

图片

def Fusion_algorithm(y_list):
    """
    最终的融合算法
    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借鉴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个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得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，
        # 则该数据点可能是一个突变的异常点。这种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-2

备注：上一个代码解释，我们可以看到，答案或许受到了代码中注释的影响，我们删掉注释，再来一次。对于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

修复代码错误

用途：写完一段代码后发现有错误？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

用途：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

用途：作为自然语言处理界的大模型，怎么能少得了信息提取呢？

图片

好友聊天

用途：输入对方性格模拟聊天，这方面功能不太完善，可能有新鲜玩法我还没有挖掘出来。

图片

创意生成器

用途：是不是常常会在创新上遇到思维瓶颈不知道怎么做？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

用途：可能您是一个媒体工作者，采访问题不知道怎么写？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答案

图片

论文大纲

用途：这个功能对于研究生简直不要太爽了，一直在郁闷大纲怎么写，直接列出来大纲简直帮了我天大的忙！对于大纲中不理解的点，直接要求chatGPT给出进一步解释。代码也可以有！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)
                
        # 将性能分数映射到注意力权重
        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

用途：这个功能真的太太太棒了，以后我自己列提纲出来就可以写小说啦！

爱情故事

图片

恐怖故事

图片

问题类比

用途：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

用途：写SQL有时候挺头疼的，想好久想不起来。

图片

情感分析

用途：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

将产品描述转变为广告

用途：这个功能对于商家来说太棒了。

图片

关键字提取

用途：NLP任务的重要作用，关键字提取！

图片

闲聊机器人

用途：这个不多说了，用来闲聊体验感真的很不错。

图片

总结

我觉得角色扮演挺有意思的，对话前加一句：假如你是 xxx。

现在有一些小程序，让AI扮演一些角色对话，就是用这种方法实现的。

推荐阅读：

Redis 官方可视化工具，功能真心强大！高颜值

SpringBoot 生产中 16 条最佳实践

互联网初中高级大厂面试题(9个G)

内容包含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！

⬇戳阅读原文领取！朕已阅

chatgpt plus代充

本文链接：https://chatgpt.wenangpt.com/chatgpt/169.html

chatgpt相关文章

如何使用OpenAI的GPT-3，一站式指南
在这个快速发展的人工智能时代，自然语言处理（NLP）技术已经成为我们日常生活和工作中不可或缺的一部分，OpenAI，作为人工智能领域的先驱之一，推出了GPT（生成预训练转换器）系列模型，其中GPT-3...
GTP资讯2024-11-152openai官网GPT
掌握CHATGPT，使用GPT-3.5官方指南
欢迎来到CHATGPT的世界，您的人工智能助手，在这篇文章中，我们将带您了解如何高效使用CHATGPT软件，以及如何访问GPT-3.5的官方资源，访问CHATGPT的官方网站是了解和使用GPT-3.5...
GTP资讯2024-11-154gpt官网3.5
如何高效访问和使用ChatGPT官网，一份详尽的教程指南
在当今数字化时代，人工智能技术正迅速改变着我们的生活和工作方式，ChatGPT作为一种先进的AI对话模型，已经成为许多人探索AI能力的首选工具，本文将为您提供一份关于如何高效访问和使用ChatGPT官...
GTP资讯2024-11-144chect gpt官网
掌握ChatGPT，从官网开始的终极指南
在人工智能领域，ChatGPT无疑是一颗冉冉升起的新星，作为一款强大的语言模型，它能够理解和生成类似人类的文本，为用户提供了一个交互式的对话体验，本教程将引导您从ChatGPT的官方网站开始，深入了解...
GTP资讯2024-11-144chait gpt官网
探索GPT小铺官网，深入理解并高效使用ChatGPT软件指南
尊敬的读者，您好！在这个信息爆炸的时代，人工智能技术的发展日新月异，以OpenAI开发的ChatGPT为代表的自然语言处理（NLP）技术更是引起了广泛的关注和应用，我们将带您走进GPT小铺官网，探索如...
GTP资讯2024-11-144gpt小铺官网