Ich habe ChatGPT verwendet, um ein neuronales Netzwerk zu schreiben: Ich habe kein Wort geändert und das Ergebnis erwies sich als sehr nützlich.

Seit seiner Einführung Ende letzten Jahres ist das Konversations-KI-Modell ChatGPT in der gesamten Community beliebt geworden.

ChatGPT ist in der Tat ein erstaunliches Tool, wie eine „Büchse der Pandora“. Sobald Sie den richtigen Weg gefunden haben, es zu öffnen, werden Sie möglicherweise feststellen, dass Sie nicht mehr ohne es leben können.

Als Allround-Spieler haben die Leute verschiedene Wünsche für ChatGPT, andere nutzen es zum Chatten zu spielen. Öffnen Sie Ihren Geist etwas mehr, da ChatGPT der „König“ der KI ist. Wird es eine KI schreiben?

Kürzlich hatte ein Blogger im Bereich maschinelles Lernen eine plötzliche Idee, ChatGPT ein neuronales Netzwerk aufbauen zu lassen und Keras zur Lösung des MNIST-Problems zu verwenden.

MNIST ist ein klassisches Problem im Bereich des maschinellen Lernens. Auch wenn dieser handgeschriebene Zifferndatensatz allmählich aus dem Bereich des Computersehens verschwunden ist, kann seine Gedenkbedeutung nicht ignoriert werden. Der erste Datensatz für viele Menschen, der mit Deep Learning begann, und das erste Experiment zur Verifizierung von Algorithmen sind MNIST.

Kurzerhand begann ich zu arbeiten, sobald ich daran gedacht hatte. Der Autor hat ChatGPT einfach gebeten, einen Code zu schreiben, der perfekt aussieht, ohne dass überhaupt etwas geändert werden muss.

Das ist ein toller Anfang.

ChatGPT wählte kategoriale Kreuzentropie als Verlustfunktion. Der Autor schlug vor, den kategorialen Kreuzentropiecode neu zu schreiben, und ChatGPT ersetzte ihn durch spärliche kategoriale Kreuzentropie. Der aktualisierte Code kann weiterhin funktionieren. Es kann festgestellt werden, dass die neue Verlustfunktion die Klassifizierungskonvertierung von Etiketten aufgibt.

ChatGPT Der generierte Code verwendet eine vollständig verbundene Schicht, der Autor möchte jedoch eine Faltungsschicht verwenden. Daher hat ChatGPT den Code wie angewiesen geändert und eine Conv2D- und eine MaxPooling-Ebene hinzugefügt.

Dann kam die Phase der Evaluierung des endgültigen Modells und der Autor bat ChatGPT, den Code mithilfe des Tests zu schreiben Satz.

Die Ergebnisse sehen großartig aus und jede ChatGPT-Antwort enthält eine vollständige Erklärung. In dieser Auswertung wird es beispielsweise so erklärt:

Die Methode „Evaluation“ nimmt die Testdaten und Testlabels als Parameter und gibt die Modellkompilierung zurück (hier ist die Genauigkeit) Zeitraum spezifizierte Verluste und Metriken. Der obige Codeausschnitt gibt die Genauigkeit des Tests aus, was Ihnen eine Vorstellung davon geben sollte, wie gut sich das Modell auf neue Daten verallgemeinern lässt.

Das Modell verwendete während des Trainings den gesamten Testsatz als Validierungsdaten. Anschließend baten die Autoren ChatGPT, dies auf 20 % der Trainingsdaten zu ändern.

Darüber hinaus möchte der Autor auch kleinere Batches und führt den Code für weniger Epochen aus. Obwohl ChatGPT für diesen Schritt nicht erforderlich ist, möchte er den Code nicht ändern, ohne den ChatGPT-Kontext zu aktualisieren.

Diese Aufgabe fällt also immer noch auf ChatGPT:

Als nächstes möchte der Autor den Trainings- und Testverlust während des Trainingsprozesses grafisch darstellen. ChatGPT schlägt vor, dass die zum Modell passende Linie geändert werden muss, um den resultierenden Wert zu erfassen.

Um einige Beispiele aus dem Datensatz zu zeigen, hat der Autor ChatGPT gebeten, Code zu schreiben, um eine Kombination aus Bildern und Tags auszugeben. Der Code für diese Ausgaben ist ebenfalls perfekt und enthält eine Sammlung von 20 Bildern.

Beim Bau eines Modells ist es auch notwendig, auf dessen Struktur zu achten. Wenn Sie ChatGPT diese Frage stellen, lautet die Antwort:

ChatGPT gibt eine Zusammenfassung des Modells:

Die Zusammenfassung des Modells ist nützlich, aber der Autor würde das Modell gerne sehen Struktur angezeigt. Fragen Sie also weiter:

Das Ergebnis ist zufriedenstellend. Lassen Sie ChatGPT das Modell nun auf der Festplatte speichern:

Jetzt möchte der Autor Um eine Verwendung zu erstellen, verwenden Sie die Klasse, für die das gespeicherte Modell Vorhersagen getroffen hat. Diese Eingabeaufforderung ist interessant und die Lösung ist perfekt.

Schreiben Sie nun ein Beispiel, um die Beschriftungen von 10 zufälligen Bildern mithilfe der Prädiktorklasse vorherzusagen:

Um dies zu erreichen, hat der Autor ChatGPT gebeten, eine Verwirrungsmatrix anzuzeigen:

Unnötig zu erwähnen, dass der von ChatGPT verwendete Stil wirklich hübsch ist.

Nach Abschluss aller Experimente hat der Autor alle von ChatGPT generierten Codes veröffentlicht. Sie können es auch ausprobieren:

Adresse: https://colab.research.google.com/drive / 1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing

Das obige ist der detaillierte Inhalt vonIch habe ChatGPT verwendet, um ein neuronales Netzwerk zu schreiben: Ich habe kein Wort geändert und das Ergebnis erwies sich als sehr nützlich.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!