機器之心報道
編輯：蛋醬
AI 寫 AI，來得比預料中更快一些。
自從去年底推出以來，對話式 AI 模型 ChatGPT 火遍了整個社群。
ChatGPT 的确是一個了不起的工具，就像一個「潘多拉魔盒」。一旦找到正确的打開方式，你或許會發現，自己再也離不開它了。
作為一個全能選手，人們給 ChatGPT 提出的要求五花八門，有人用它寫論文，有人讓它陪聊，這些都是常見的玩法。腦洞再打開一點，既然 ChatGPT 是 AI 中的「王者」，那它會不會寫一個 AI？
近日，一位機器學習領域的部落客突發奇想，他決定讓 ChatGPT 建構一個神經網絡，使用 Keras 解決 MNIST 問題。
MNIST 算是機器學習領域的經典問題。即使這個手寫數字資料集逐漸淡出了計算機視覺領域，但它的紀念意義仍然不可忽視，很多人入門深度學習的第一個資料集、驗證算法的第一個實驗都是 MNIST。
話不多說，想到了就開工。作者直接讓 ChatGPT 寫了一段代碼，看上去完美無缺，甚至不需要更改任何内容。
這是一個很好的開始。
ChatGPT 選擇了分類交叉熵作為損失函數。作者提出重寫分類交叉熵這部分代碼，ChatGPT 将其替換為稀疏分類交叉熵，更新之後的代碼仍能 Work。可以發現，新的損失函數放棄了标簽的分類轉換。
ChatGPT 生成的代碼使用了全連接配接層，但作者想使用卷積層。是以，ChatGPT 按照訓示修改了代碼，并添加了一個 Conv2D 和一個最大池化層（MaxPooling layer）。
然後來到了評估最終模型階段，作者讓 ChatGPT 使用測試集編寫代碼。
結果看起來很棒，而且 ChatGPT 的每一次回複都帶有完整的解釋。比如在這次評估中，它這樣解釋：
「評估」方法将測試資料和測試标簽作為參數，并傳回模型編譯（此處為準确率）期間指定的損失和度量。上面的代碼片段輸出了測試的準确率，這應該可以讓你了解到模型對新資料的概括性。
模型在訓練期間使用了整個測試集作為驗證資料。然後，作者讓 ChatGPT 将其更改為訓練資料的 20%。
此外，作者還想要更小的 batch 并運作更少 epoch 的代碼。雖然這一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情況下更改代碼。
是以這項任務還是落在了 ChatGPT 頭上：
接下來，作者打算繪制訓練過程中的訓練和測試損失圖。ChatGPT 的建議是：需要更改适合模型的 line 以捕獲其結果值。
為了展示資料集中的一些示例，作者讓 ChatGPT 編寫代碼來輸出圖像和标簽的組合。這些輸出的代碼也很完美，附有 20 張圖檔的合集。
構模組化型時，檢視其結構也是必要的。如果用這個問題去問 ChatGPT ，回複是：
ChatGPT 給出的是關于模型的總結：
模型的總結很有用，但作者更想看到顯示模型結構的圖。是以繼續問：
結果是滿意的，最後就是準備部署這個模型了，讓 ChatGPT 将模型儲存到磁盤吧：
現在，作者想建立一個使用儲存的模型進行預測的類。這是 prompt 很有趣，解決方案也很完美。
現在編寫一個示例，使用預測器的類來預測 10 個随機圖像的标簽：
為了完成這個，作者讓 ChatGPT 展示了一個混淆矩陣：
該說不說，ChatGPT 使用的樣式還真挺好看。
完成所有試驗後，作者将所有 ChatGPT 生成的代碼公布了出來，你也可以上手試試：
位址：https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing