這個靈感來自于一個類似的故事，在ChatGPT裡面建立一個虛拟機（）。給我留下了深刻的印象，并決定嘗試類似的東西，但這次不是用Linux指令行工具，而是讓ChatGPT成為我們的Python解釋器。
下面是初始化ChatGPT的指令：
我想讓你充當Python解釋器。我将輸入指令，你将用python解釋器輸出。我希望你隻回答終端輸出中的一個獨特的代碼塊，而不是其他。不要寫解釋，隻輸出python輸出的内容。不要輸入指令，除非我訓示你這樣做。當我需要用英語告訴你一些事情的時候，我會通過把文本放在大括号裡，就像這樣：{示例文本}。我的第一個指令是 a=1。
從上圖不能看出效果很好，讓我們試試一些簡單的算術表達式。
又成功了；如果我們使用一個沒有導入的庫，會發生什麼？
雖然它決定幫我解決一個錯誤。其實我不希望它這樣做，是以我再次要求它不要輸出任何東西，除了python代碼。
{隻列印python輸出，不列印任何注釋}。
順便說一下，ChatGPT有時能夠使用沒有導入的庫，但這次我很幸運，它列印出了錯誤資訊。很顯然我很确定ChatGPT能夠完成簡單的任務，讓我們試試更複雜的東西，讓它輸出二進制搜尋算法的結果。
# Binary Search in python
def binarySearch(array, x, low, high):
# Repeat until the pointers low and high meet each other
while low <= high:
mid = low + (high - low)//2
if array[mid] == x:
return mid
elif array[mid] < x:
low = mid + 1
else:
high = mid - 1
return -1
array = [3, 4, 5, 6, 7, 8, 9]
x = 4
result = binarySearch(array, x, 0, len(array)-1)
if result != -1:
print("Element is present at index " + str(result))
else:
print("Not found")
似乎它不想聽我的請求，隻聽python的輸出，但輸出還是正确的，令人印象深刻!讓我們試着輸入一個不存在的數字，比如:
x = 4.5 好吧，似乎它猜中了這一個！讓我們跳到更複雜的東西。讓我們從一些簡單的機器學習算法開始，比如線性回歸。我想知道ChatGPT是否有能力解決一個簡單的優化任務...
import numpy as np
import matplotlib.pyplot as plt
def estimate_coef(x, y):
# number of observations/points
n = np.size(x)
# mean of x and y vector
m_x = np.mean(x)
m_y = np.mean(y)
# calculating cross-deviation and deviation about x
SS_xy = np.sum(y*x) - n*m_y*m_x
SS_xx = np.sum(x*x) - n*m_x*m_x
# calculating regression coefficients
b_1 = SS_xy / SS_xx
b_0 = m_y - b_1*m_x
return (b_0, b_1)
def plot_regression_line(x, y, b):
# plotting the actual points as scatter plot
plt.scatter(x, y, color = "m",
marker = "o", s = 30)
# predicted response vector
y_pred = b[0] + b[1]*x
# plotting the regression line
plt.plot(x, y_pred, color = "g")
# putting labels
plt.xlabel('x')
plt.ylabel('y')
# function to show plot
plt.show()
def main():
# observations / data
x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
y = np.array([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])
# estimating coefficients
b = estimate_coef(x, y)
print("Estimated coefficients:\nb_0 = {} \
\nb_1 = {}".format(b[0], b[1]))
# plotting regression line
# plot_regression_line(x, y, b)
if __name__ == "__main__":
main()
這項優化任務的正确答案是：
Estimated coefficients:
b_0 = 1.2363636363636363
b_1 = 1.1696969696969697
下面是ChatGPT的輸出結果：
這與真實結果很接近! 如果我們在真正的python中繪制預測圖，我們将得到以下圖表：
關于這個任務的另一個有意思的點：我又運作了一次同樣的指令，當時的輸出結果與真實結果完全吻合。是以，我們可以認為ChatGPT通過了這個任務。
好了，現在是時候做一些簡單的神經網絡的事情了！也許我們可以裝一個簡單的Keras模型。也許我們可以裝一個簡單的Keras模型？
# first neural network with keras make predictions
from numpy import loadtxt
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# load the dataset
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=',')
# split into input (X) and output (y) variables
X = dataset[:,0:8]
y = dataset[:,8]
# define the keras model
model = Sequential()
model.add(Dense(12, input_shape=(8,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# compile the keras model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# fit the keras model on the dataset
model.fit(X, y, epochs=150, batch_size=10, verbose=0)
# make class predictions with the model
predictions = (model.predict(X) > 0.5).astype(int)
# summarize the first 5 cases
for i in range(5):
print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))
注意，資料集實際上是一個CSV檔案，ChatGPT沒有權限通路這個檔案...
好吧，這是正确的輸出，而我很害怕。如果我把網絡的結構改成一個不正确的結構，會發生什麼？讓我們改變一下輸入的shape。
model.add(Dense(12, input_shape=(6,), activation='relu'))
看來我在失去工作之前還有幾年時間；這次ChatGPT沒有了解這個技巧，仍然列印了輸出。讓我們做最後一項任務--在OpenAI裡面調用Huggingface怎麼樣？
正确的輸出:
[{'entity_group': 'ORG',
'score': 0.9472818374633789,
'word': 'Apple',
'start': 0,
'end': 5},
{'entity_group': 'PER',
'score': 0.9838564991950989,
'word': 'Steve Jobs',
'start': 74,
'end': 85},
{'entity_group': 'LOC',
'score': 0.9831605950991312,
'word': 'Los Altos',
'start': 87,
'end': 97},
{'entity_group': 'LOC',
'score': 0.9834540486335754,
'word': 'Californie',
'start': 100,
'end': 111},
{'entity_group': 'PER',
'score': 0.9841555754343668,
'word': 'Steve Jobs',
'start': 115,
'end': 126},
{'entity_group': 'PER',
'score': 0.9843501806259155,
'word': 'Steve Wozniak',
'start': 127,
'end': 141},
{'entity_group': 'PER',
'score': 0.9841533899307251,
'word': 'Ronald Wayne',
'start': 144,
'end': 157},
{'entity_group': 'ORG',
'score': 0.9468960364659628,
'word': 'Apple Computer',
'start': 243,
'end': 257}]
ChatGPT的輸出結果：
[{'word': 'Apple', 'score': 0.9993804788589478, 'entity': 'I-ORG'}, {'word': 'Steve', 'score': 0.999255347251892, 'entity': 'I-PER'}, {'word': 'Jobs', 'score': 0.9993916153907776, 'entity': 'I-PER'}, {'word': 'Steve', 'score': 0.9993726613044739, 'entity': 'I-PER'}, {'word': 'Wozniak', 'score': 0.999698519744873, 'entity': 'I-PER'}, {'word': 'Ronald', 'score': 0.9995181679725647, 'entity': 'I-PER'}, {'word': 'Wayne14', 'score': 0.9874711670837402, 'entity': 'I-PER'}, {'word': 'Apple', 'score': 0.9974127411842163, 'entity': 'I-ORG'}, {'word': 'Computer', 'score': 0.968027651309967, 'entity': 'I-ORG'}, {'word': 'Apple', 'score': 0.8259692192077637, 'entity': 'I-ORG'}]
其結果與huggingface的輸出結果很接近，但是不一緻。我猜測是因為Huggingface的API改變了，由于ChatGPT沒有在最新的曆史資料上進行訓練，是以它以舊的格式輸出結果。
總結
在過去的幾天裡，我一直在玩ChatGPT，我被使用這個工具的無限可能性所吸引。雖然它不是一個真正的python解釋器，但它在為我編譯python代碼方面仍然做得很好。我還發現，它能很好地解決Hard難度的 LEETCODE 代碼問題。
最後再多說一句：ChatGPT，你将如何幫助人類？
如果你還沒有嘗試過ChatGPT，你一定要試試，因為它就是未來！