我用ChatGPT写神经网络：一字不改，结果竟然很好用

电脑之心报导

AI 写 AI，相比之下比Hardoi更快许多。

好景不长今年初面世年来，谈话式 AI 数学模型 ChatGPT 红遍了整座街道社区。

ChatGPT 确实是两个有意思的辅助工具，就像两个「潘朵拉阿拉丁」。除非找出恰当的Makarova，你也许会发现，自己非但有赖于它了。

做为两个全能型球手，现代人给 ChatGPT 明确提出的明确要求各式各样，没人用它写学术论文，没人让它Blancheville，那些都是常用的动作游戏。感有再关上一点儿，难道 ChatGPT 是 AI 中的「战神」，那它会不能写两个 AI？

日前，一名电脑自学应用领域的写手灵机一动，他下定决心让 ChatGPT 构筑两个数学数学模型，采用 Keras 解决 MNIST 难题。

MNIST 称得上电脑自学应用领域的经典之作难题。即便这个记事本位数统计数据集渐渐踏入了计算机系统听觉应用领域，但它的庆祝象征意义依然不可忽视，许多人进阶广度自学的第两个统计数据集、校正演算法的第两个试验都是 MNIST。

话不多说，想不到了就开工。作者间接让 ChatGPT 写了几段标识符，看起来完美无瑕，即使不须要更动任何人文本。

这是两个较好的开始。

ChatGPT 选择了分类交叉熵做为损失函数。作者明确提出重写分类交叉熵这部分标识符，ChatGPT 将其替换为稀疏分类交叉熵，更新之后的标识符仍能 Work。可以发现，新的损失函数放弃了标签的分类转换。

ChatGPT 生成的标识符采用了全连接层，但作者想采用卷积层。因此，ChatGPT 按照指示修改了标识符，并添加了两个 Conv2D 和两个最大池化层（MaxPooling layer）。

然后来到了评估最终数学模型阶段，作者让 ChatGPT 采用测试集编写标识符。

。比如在这次评估中，它这样解释：

数学模型在训练期间采用了整座测试集做为校正统计数据。然后，作者让 ChatGPT 将其更动为训练统计数据的 20%。

此外，作者还想要更小的 batch 并运行更少 epoch 的标识符。虽然这一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情况下更动标识符。

所以这项任务还是落在了 ChatGPT 头上：

接下来，作者打算绘制训练过程中的训练和测试损失图。ChatGPT 的建议是：须要更改适合数学模型的 line 以捕获其结论值。

为了展示统计数据集中的许多示例，作者让 ChatGPT 编写标识符来输出图像和标签的组合。那些输出的标识符也很完美，附有 20 张图片的合集。

构筑数学模型时，查看其结构也是

ChatGPT 给出的是关于数学模型的总结：

数学模型的总结很有用，但作者更想看到显示数学模型结构的图。所以继续问：

结论是满意的，最后就是准备部署这个数学模型了，让 ChatGPT 将数学模型保存到磁盘吧：

现在，作者想创建两个采用保存的数学模型进行预测的类。这是 prompt 很有趣，解决方案也很完美。

现在编写两个示例，采用预测器的类来预测 10 个随机图像的标签：

为了完成这个，作者让 ChatGPT 展示了两个混淆矩阵：

该说不说，ChatGPT 采用的样式还真挺好看。

完成所有试验后，作者将所有 ChatGPT 生成的标识符公布了出来，你也可以上手试试：

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

整理不易，点赞三连↓