|
自从去年底推出以来，对话式 AI 模型 ChatGPT 火遍了整个社区。 ChatGPT 的确是一个了不起的工具，就像一个「潘多拉魔盒」。一旦找到正确的打开方式，你或许会发现，自己再也离不开它了。 作为一个全能选手，人们给 ChatGPT 提出的要求五花八门，有人用它写论文，有人让它陪聊，这些都是常见的玩法。脑洞再打开一点，既然 ChatGPT 是 AI 中的「王者」，那它会不会写一个 AI？ 近日，一位机器学习领域的博主突发奇想，他决定让 ChatGPT 构建一个神经网络，使用 Keras 解决 MNIST 问题。 MNIST 算是机器学习领域的经典问题。即使这个手写数字数据集逐渐淡出了计算机视觉领域，但它的纪念意义仍然不可忽视，很多人入门深度学习的第一个数据集、验证算法的第一个实验都是 MNIST。 话不多说，想到了就开工。作者直接让 ChatGPT 写了一段代码，看上去完美无缺，甚至不需要更改任何内容。 这是一个很好的开始。
ChatGPT 选择了分类交叉熵作为损失函数。作者提出重写分类交叉熵这部分代码，ChatGPT 将其替换为稀疏分类交叉熵，更新之后的代码仍能 Work。可以发现，新的损失函数放弃了标签的分类转换。 ChatGPT 生成的代码使用了全连接层，但作者想使用卷积层。因此，ChatGPT 按照指示修改了代码，并添加了一个 Conv2D 和一个最大池化层（MaxPooling layer）。 然后来到了评估最终模型阶段，作者让 ChatGPT 使用测试集编写代码。 结果看起来很棒，而且 ChatGPT 的每一次回复都带有完整的解释。比如在这次评估中，它这样解释： 「评估」方法将测试数据和测试标签作为参数，并返回模型编译（此处为准确率）期间指定的损失和度量。上面的代码片段输出了测试的准确率，这应该可以让你了解到模型对新数据的概括性。 模型在训练期间使用了整个测试集作为验证数据。然后，作者让 ChatGPT 将其更改为训练数据的 20%。 此外，作者还想要更小的 batch 并运行更少 epoch 的代码。虽然这一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情况下更改代码。 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：需要更改适合模型的 line 以捕获其结果值。 为了展示数据集中的一些示例，作者让 ChatGPT 编写代码来输出图像和标签的组合。这些输出的代码也很完美，附有 20 张图片的合集。
|
