大家好，我是阿秀。
ChatGPT绝对是最近几个月来最火的风口了，但确定你会使用 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。
文本翻译
用途：日常学习、商务翻译等。
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), )
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, 0.0); 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<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 = 0.0; 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。
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
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
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.")
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！
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？
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。
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
再结合AR
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
采访问题清单并给出相应答案
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
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(0.0) # 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
恐怖故事
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。
创建SQL需求
用途：写SQL有时候挺头疼的，想好久想不起来。
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。
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。
关键字提取
用途：NLP任务的重要作用，关键字提取！
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。
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。
