机器之心报道
ai 写 ai,来得比预料中更快一些。
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。
构建模型时,查看其结构也是必要的。如果用这个问题去问 chatgpt ,回复是:
chatgpt 给出的是关于模型的总结:
模型的总结很有用,但作者更想看到显示模型结构的图。所以继续问:
结果是满意的,最后就是准备部署这个模型了,让 chatgpt 将模型保存到磁盘吧:
现在,作者想创建一个使用保存的模型进行预测的类。这是 prompt 很有趣,解决方案也很完美。
现在编写一个示例,使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 展示了一个混淆矩阵:
该说不说,chatgpt 使用的样式还真挺好看。
完成所有试验后,作者将所有 chatgpt 生成的代码公布了出来,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↓