ChatGPT的N种用法（持续更新中。。。）

目录

前言

当今的ChatGPT是一个强大的语言模型，它可以帮助您创建出色的产品并提高您的业务成功率。ChatGPT利用大规模的自然语言处理和机器学习算法，可以进行自然而流畅的对话，理解自然语言问题和回答。您可以使用ChatGPT来建立智能客服、智能助手、文本自动补全、语音识别和机器翻译等多种产品。ChatGPT可以快速适应新的数据和新的场景，使用ChatGPT，您可以轻松实现个性化、高效率和全天候的服务。让ChatGPT帮助您推动业务的增长！

一、语法更正

用途：文章、论文等润色。

二、文本翻译

用途：日常学习、商务翻译等。

三、语言转换

3-1、Python–>JAVA

用途：工作用途，不同语言工程师之间的合作，更加方便。

import numpy as np
import plotly.express as px

def thresholding_algo(y, lag, threshold):"""
    :param y: 输入列表
    :param lag: 滑动窗口大小
    :param threshold: 调节系数，用于调节容忍范围的大小。
    :return:"""
    #signals：信号列表
    signals = np.zeros(len(y))
    avgFilter = np.zeros(len(y))

    # 初始化平均值列表、差值列表
    avgFilter[lag -1]= np.mean(y[0:lag])
    dif_li =[0]*len(y)for i in range(lag,len(y)):if i <len(y)- lag -30:for j in range(i +11,len(y)):if y[j]>= y[i -1]:breakif j >=len(y)-30:
                back = y[i -1]else:
                back = np.mean(y[j +11:j +20+ lag])else:
            back = y[i -1]

        # 前后均值差值计算
        tmp =abs(back - avgFilter[i -1])
        dif =(tmp if tmp >1else1)ifabs(y[i]- avgFilter[i -1])> dif * threshold:
            signals[i]=(1if y[i]> avgFilter[i -1]else-1)
            avgFilter[i]= np.mean(y[(i - lag):i])
            y[i]= avgFilter[i -1]else:
            signals[i]=0
            avgFilter[i]= np.mean(y[(i - lag):i])

        dif_li[i]= dif

    returndict(signals=np.asarray(signals),
                avgFilter=np.asarray(avgFilter),
                y=np.asarray(y),
                dif=np.asarray(dif_li),)

public static Map<String,double[]>thresholding_algo(double[] y,int lag,double threshold){double[] signals = new double[y.length];double[] avgFilter = new double[y.length];
    Arrays.fill(avgFilter,0.0);

    avgFilter[lag -1]=mean(Arrays.copyOfRange(y,0, lag));double[] dif_li = new double[y.length];
    Arrays.fill(dif_li,0.0);for(int i = lag; i < y.length; i++){int j;if(i < y.length - lag -30){for(j = i +11; j < y.length; j++){if(y[j]>= y[i -1]){break;}}double back;if(j >= y.length -30){
                back = y[i -1];}else{
                back =mean(Arrays.copyOfRange(y, j +11, j +20+ lag));}}else{
            back = y[i -1];}double tmp = Math.abs(back - avgFilter[i -1]);double dif = tmp >1? tmp :1;if(Math.abs(y[i]- avgFilter[i -1])> dif * threshold){
            signals[i]= y[i]> avgFilter[i -1]?1:-1;
            avgFilter[i]=mean(Arrays.copyOfRange(y, i - lag, i));
            y[i]= avgFilter[i -1];}else{
            signals[i]=0;
            avgFilter[i]=mean(Arrays.copyOfRange(y, i - lag, i));}

        dif_li[i]= dif;}

    Map<String,double[]> result = new HashMap<>();
    result.put("signals", signals);
    result.put("avgFilter", avgFilter);
    result.put("y", y);
    result.put("dif", dif_li);return result;}

private staticdoublemean(double[] array){double sum =0.0;for(double d : array){
        sum += d;}return sum / array.length;}

四、代码解释-1

用途：当我们来到一家新的公司，发现前任工程师留下了一摊谁都看不懂的代码，这时候，如果有个人能帮我们解释一下这些代码是什么意思，那简直不要太开心。

def Fusion_algorithm(y_list):"""
    最终的融合算法
    1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。
    2、第二次使用z-score来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如Z-score和移动平均线
    该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得Z-score
    并将其用于检测异常值，将z-score大于3的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。
    3、
    :param y_list: 传入需要处理的时间序列
    :return:"""
    # 第一次处理
    for i in range(1,len(y_list)):
        difference = y_list[i]- y_list[i -1]if difference <=0:
            y_list[i]= y_list[i -1]
        # 基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值，
        # 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如Z-score突变检测、CUSUM（Cumulative Sum）
        #else:#ifabs(difference)>2* np.mean(y_list[:i]):#y_list[i]= y_list[i -1]

    # 第二次处理
    # 计算每个点的移动平均值和标准差
    ma = np.mean(y_list)#std= np.std(np.array(y_list))
    std = np.std(y_list)
    # 计算Z-score
    z_score =[(x - ma)/ std for x in y_list]
    # 检测异常值
    for i in range(len(y_list)):
        # 如果z-score大于3，则为异常点，去除
        if z_score[i]>3:print(y_list[i])
            y_list[i]= y_list[i -1]return y_list

五、代码解释-2

备注：上一个代码解释，我们可以看到，答案或许受到了代码中注释的影响，我们删掉注释，再来一次。对于解释中一些不懂的点，我们可以连续追问！

import numpy as np
from sklearn.ensemble import IsolationForest
import plotly.express as px
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import json

def Fusion_algorithm(y_list):for i in range(1,len(y_list)):
        difference = y_list[i]- y_list[i -1]if difference <=0:
            y_list[i]= y_list[i -1]#else:#ifabs(difference)>2* np.mean(y_list[:i]):#y_list[i]= y_list[i -1]

    ma = np.mean(y_list)
    std = np.std(y_list)
    z_score =[(x - ma)/ std for x in y_list]for i in range(len(y_list)):if z_score[i]>3:print(y_list[i])
            y_list[i]= y_list[i -1]return y_list

六、修复代码错误

用途：写完一段代码后发现有错误？让chatGPT来帮你！

### Buggy Python
import Random
a = random.randint(1,12)
b = random.randint(1,12)for i in range(10):
    question ="What is "+a+" x "+b+"? "
    answer =input(question)if answer = a*b
        print(Well done!)else:print("No.")

六、作为百科全书

用途：chatGPT可以解释你所有的问题！但是列出小说这个功能有些拉跨，经过测试只有科幻小说列的还可以，其他类型不太行，可能chatgpt训练工程师是个科幻迷！

七、信息提取

用途：作为自然语言处理界的大模型，怎么能少得了信息提取呢？

七、好友聊天

用途：输入对方性格模拟聊天，这方面功能不太完善，可能有新鲜玩法我还没有挖掘出来。

八、创意生成器

用途：是不是常常会在创新上遇到思维瓶颈不知道怎么做？不要担心，让chatGPT帮你生成创意！

8-1、VR和密室结合

8-2、再结合AR

九、采访问题

用途： 可能您是一个媒体工作者，采访问题不知道怎么写？chatGPT可以帮您解决。

9-1、采访问题清单

9-2、采访问题清单并给出相应答案

十、论文大纲

用途： 这个功能对于研究生简直不要太爽了，一直在郁闷大纲怎么写，直接列出来大纲简直帮了我天大的忙！对于大纲中不理解的点，直接要求chatGPT给出进一步解释。代码也可以有！那一章的内容不太会写，直接让chatGPT安排，这样，一篇论文很快就写出来啦！

10-1、创建论文大纲

10-2、解释大纲内容

class PBA(nn.Module):
    def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):super(PBA, self).__init__()
        self.PerformanceThreshold = PerformanceThreshold
        self.DistributionType = DistributionType
        self.AttentionWeightRange = AttentionWeightRange
        
    def forward(self, input, performance_scores):
        # 计算注意力分数
        attention_scores =[]for i in range(len(input)):if performance_scores[i]> self.PerformanceThreshold:
                attention_scores.append(performance_scores[i])else:
                attention_scores.append(0.0)
                
        # 将性能分数映射到注意力权重
        if self.DistributionType =="softmax":
            attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)
        elif self.DistributionType =="sigmoid":
            attention_weights = torch.sigmoid(torch.tensor(attention_scores))else:
            raise ValueError("Unknown distribution type: {}".format(self.DistributionType))
        
        # 缩放注意力权重到指定范围
        attention_weights = attention_weights *(self.AttentionWeightRange[1]- self.AttentionWeightRange[0])+ self.AttentionWeightRange[0]
        
        # 计算加权输入
        weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))
        output = torch.sum(weighted_input, dim=0)return output

十一、故事创作

用途： 这个功能真的太太太棒了，以后我自己列提纲出来就可以写小说啦！

11-1、爱情故事

11-2、恐怖故事

十二、问题类比

二十、闲聊机器人

用途：这个不多说了，用来闲聊体验感真的很不错。

总结

emmm，今天白嫖chatGPT次数太多了，request请求被禁止了，那就改天再请求啦~