ChatGPT的N种用法

共计 7860 个字符，预计需要花费 20 分钟才能阅读完成。

前言

当今的ChatGPT是一个强大的语言模型，它可以帮助您创建出色的产品并提高您的业务成功率。ChatGPT利用大规模的自然语言处理和机器学习算法，可以进行自然而流畅的对话，理解自然语言问题和回答。您可以使用ChatGPT来建立智能客服、智能助手、文本自动补全、语音识别和机器翻译等多种产品。ChatGPT可以快速适应新的数据和新的场景，使用ChatGPT，您可以轻松实现个性化、高效率和全天候的服务。让ChatGPT帮助您推动业务的增长！

一、语法更正

用途：文章、论文等润色。

二、文本翻译

用途：日常学习、商务翻译等。

三、语言转换

3-1、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),
)

public static Map<String, double[]> thresholding_algo(double[] y, int lag, double threshold) {
double[] signals = new double[y.length];
double[] avgFilter = new double[y.length];
Arrays.fill(avgFilter, 0);
avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
double[] dif_li = new double[y.length];
Arrays.fill(dif_li, 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<String, double[]> 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;
for (double d : array) {
sum += d;
}
return sum / array.length;
}

四、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。

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

五、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！

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

六、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！

### 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.")

七、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！

八、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？

九、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。

十、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！

10-1、VR和密室结合

10-2、再结合AR

十一、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。

11-1、采访问题清单

11-2、采访问题清单并给出相应答案

十二、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！

12-1、创建论文大纲

12-2、解释大纲内容

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)
# 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