ChatGPT 的 18 种玩法,你还不会用吗?

news2025/1/21 13:06:54

你确定,你会使用 ChatGPT 了吗?

今天给大家整理了 18 种 ChatGPT 的用法,看看有哪些方法是你能得上的。

用之前我们可以打开R5Ai平台,可以免费使用目前所有的大模型

地址:R5Ai.com

语法更正

用途:文章、论文等润色。

9f94443122ecbe82d530e8cd62c0b996.png

图片

文本翻译

用途:日常学习、商务翻译等。

414c2a62d22026d254d8450b008f92de.png

图片

语言转换

Python–>JAVA

用途:工作用途,不同语言工程师之间的合作,更加方便。

 
  1. 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]:
    
                        break
    
                if 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 > 1 else 1)
    
    
            if abs(y[i] - avgFilter[i - 1]) > dif * threshold:
    
                signals[i] = (1 if 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
    
    
        return dict(signals=np.asarray(signals),
    
                    avgFilter=np.asarray(avgFilter),
    
                    y=np.asarray(y),
    
                    dif=np.asarray(dif_li),
    
                    )

0049eb77889b6051c578c770deaafde5.png

图片

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

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。

1ee116f7531f229f247263197d5b8dbf.png

图片

 
  1. 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:
    
            #     if abs(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

3d91d2ab8bc06a0594b100f870d8c21c.png

图片

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!

b2a13ba45203e70db7c1d39a764bd409.png

图片

 
  1. 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:
    
            #     if abs(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

811632699ae0146ef1f589d793631fda.png

图片

f2ffdff24fc5489fb502247ca0c701f6.png

图片

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!

d60a16499b7ea57553984df5f6b0418a.png

图片

 
  1. # 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.")

4fac767e427efaaf3a80d9b6ec5bb1ee.png

图片

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!

9a62359627c98273ebc43457d2fc40d6.png

图片

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?

9142b16683917d0b64e66fee1100d1e0.png

图片

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。

ec25e434ea85ac5d71c176542260d2cd.png

图片

8ae8b73d98ff3b2453d573687e613ece.png

图片

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!

VR和密室结合

cf0474ad8285958242a00cca36bf99b5.png

图片

再结合AR

9a65a244bed17e2a81c0da45bdc483cf.png

图片

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。

采访问题清单

8b7859906fe7d0c3c94720f612e2d436.png

图片

采访问题清单并给出相应答案

6d87695d2bfa586a9f474728b2c1f205.png

图片

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!

创建论文大纲

b46d8a3b73ae34e893250e81740849d6.png

图片

解释大纲内容

ec32d4043e43025dbaebcad7797575b8.png

图片

 
  1. 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

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!

爱情故事

b483aa69f5a3b7ac46d618f2f043260d.png

图片

恐怖故事

d63a4c140ed30beee873e0383be31627.png

图片

596f238fa5c1b1fede51db60ca3fd85d.png

图片

问题类比

用途:当你想要做一个比喻时,这是一个很棒的功能。

199d8b7a97c917130b2f110cfb0e8f48.png

图片

创建SQL需求

用途:写SQL有时候挺头疼的,想好久想不起来。

8c22424f8a8e890068b40eff85571179.png

图片

情感分析

用途:这个功能让我想起来在之前公司做的情感分析任务了。

070e1a98de81dc3cdf74a9da36784f90.png

图片

将产品描述转变为广告

用途:这个功能对于商家来说太棒了。

2c7280964e3b9274b20402a2a6a41326.png

图片

关键字提取

用途:NLP任务的重要作用,关键字提取!

f08d4215474930e182c02ae9e6182813.png

图片

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。

79fbdd0ec84dbc71a95b2b247546dd73.png

图片

cb760928b18841bb50313fc27ed7b293.png

图片 4ad53174bdf9a722781e81f43024d231.png

总结

我觉得角色扮演挺有意思的,对话前加一句:假如你是 xxx。

现在有一些小程序,让AI扮演一些角色对话,就是用这种方法实现的。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1279971.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

ER图是什么,怎么画?

ER图&#xff08;Entity-Relationship Diagram&#xff09;是一种用于描述实体间关系的图形化表示方法。它主要用于数据库设计&#xff0c;可以清晰地展示实体、属性和实体间的联系。常用的ER图类型包括&#xff1a; 实体-关系模型&#xff08;Entity-Relationship Model&…

Shutdown Signal: channel error; protocol method: #method<channel.close>

完整异常信息&#xff1a; Shutdown Signal: channel error; protocol method: #method<channel.close>(reply-code404, reply-textNOT_FOUND - no exchange fanoutExchange in vhost /, class-id60, method-id40) 意思是找不到名字是 fanoutExchange 的虚拟机 就是虚拟机…

基于SSH三大框架的员工管理系统

基于SSH三大框架的员工管理系统 摘要 本系统为本人学习SSH三大框架时所做的整合实例&#xff0c;系统角色包括普通用户和管理员两种&#xff0c;首页有管理员登录入口链接。系统功能主要包括管理员对用户的基本增、删、改、查和分页显示用户信息等。 系统环境 本系统使用ec…

Gossip 协议

Gossip 协议 背景 在分布式系统中&#xff0c;不同的节点进行数据/信息共享是一个基本的需求。 一种比较简单粗暴的方法就是 集中式发散消息&#xff0c;简单来说就是一个主节点同时共享最新信息给其他所有节点&#xff0c;比较适合中心化系统。这种方法的缺陷也很明显&…

App测试之App日志收集及adb常用命令

文章目录 前言一、adb是什么1.APP测试收集手机日志常用的工具2.adb下载与安装3.ADT/SDK/ADB是什么4.adb连接真机 二、adb常用命令三、android系统日志文件1.logcat日志文件2.logcat日志文件分析 四、分析crash & ANR 日志1.发生crash如何分析2.发生ANR如何分析 总结扩展&am…

队列顺序存储(详解)

队列是一种常见的数据结构&#xff0c;它是一种先进先出&#xff08;First-In-First-Out, FIFO&#xff09;的线性表。在队列中&#xff0c;数据元素按照插入的顺序排列&#xff0c;最先插入的元素在队列的前面&#xff0c;最后插入的元素在队列的后面。类比生活中排队购物的情…

登录界面(flex布局练习)

练习&#xff1a;登录界面在我们网页制作的过程中经常遇见&#xff0c;所以请你编写一个界面联系一下&#xff0c;这个可以增加一些动画或者是其他的效果&#xff0c;当然越帅越好。请使用flex或者其他布局练习 例如&#xff1a; 代码 <!DOCTYPE html> <html lang…

如何做好小红书?9条小红书运营起号心得(必读)

关于小红书运营细节和方法&#xff0c;总结了以下9条起号心得&#xff0c;希望给近期新手们一些经验借鉴。 一、出现一条爆文后的策略当账号新发的一篇笔记流量起飞了&#xff0c;不要急于发布新内容。先让爆文的流量消耗殆尽&#xff0c;等流量开始减少时再发布新笔记。同时&…

2022CVPR(PoseC3D):Revisiting Skeleton-based Action Recognition

Revisiting Skeleton-based Action Recognition 摘要1、引言2、相关工作3、框架3.1. 姿势提取的良好实践3.2.从2D姿势到3D热图体积3.3.基于骨架的动作识别的3D-CNN 4、实验4.2.姿势提取4.3. 3D热图体积的预处理4.4.与GCN的比较4.5. RGBPose-SlowFast4.6.与最先进的比较 5、结论…

C语言-联合和枚举

------------------------------------ --------------- ------ 最慢的步伐不是跬步&#xff0c;而是徘徊&#xff1b; 最快的脚步不是冲刺&#xff0c;而是坚持。 今天来到我们的联合和枚举类型的讲解&#xff1a; 目录 联合体类型 联合体类型的声明 联合体类型的特点 …

Effective Java解读

Effective Java 第一章 引言第二章 创建和销毁对象第1条&#xff1a;用静态工厂方法代替构造器第2条&#xff1a;遇到多个构造器参数时要考虑使用构建器第3条&#xff1a;用私有构造器或者枚举类型强化Singletion属性第4条&#xff1a;通过私有构造器强化不可实例化的能力第5条…

计算机网络的分类

目录 一、按照传输介质进行分类 1、有线网络 2、无线网络 二、按照使用者进行分类 1、公用网 (public network) 2、专用网(private network) 三、按照网络规模和作用范围进行分类 1、PAN 个人局域网 2、LAN 局域网 3、MAN 城域网 4、 WAN 广域网 5、Internet 因特…

canvas基础:fillStyle 和strokeStyle示例

canvas实例应用100 专栏提供canvas的基础知识&#xff0c;高级动画&#xff0c;相关应用扩展等信息。 canvas作为html的一部分&#xff0c;是图像图标地图可视化的一个重要的基础&#xff0c;学好了canvas&#xff0c;在其他的一些应用上将会起到非常重要的帮助。 文章目录 上色…

工具类整理

常用工具类 在java的庞大体系中&#xff0c;其实有很多不错的小工具&#xff0c;也就是我们平常说的&#xff1a;轮子。 CollectionUtils 目前比较主流的是spring的org.springframework.util包下的CollectionUtils工具类。和apache的org.apache.commons.collections包下的Co…

SmartSoftHelp8,应用程序优化,稳定性优化,性能优化,并发承载优化工具

winform 应用全局捕获异常 WPF 应用全局捕获异常 asp.net web 应用全局捕获异常 MVC web 应用全局捕获异常 netcore 应用全局捕获异常 一级缓存&#xff1a;html、cs&#xff0c;js 网页前端缓存设置 二级缓存&#xff1a;asp.net 客户端缓存设置 二级缓存&#xff…

测试Centos上用Gunicorn启动的Django-Web服务在Django源文件有改变的情况下能否自动重载最新源码下的web服务

01-先上传最新的源码文件 参考博文 https://blog.csdn.net/wenhao_ir/article/details/134762966 进行 02-先在Django直接开web服务下修改源码测试 这是没有问题的&#xff0c;会自己重置。 03-开启gunicorn服务 cd /djangoproject/mmdj01/ gunicorn -c /djangoproject/mm…

【Android】MMKV实现本地持久化

引入 (测试操作机器是华为Mate 20 Pro 128G&#xff0c;Android 10&#xff0c;每组重复1k次&#xff0c;时间单位是ms) 可以看出MMKV的耗时比其他耗时少的离谱。再看多进程下的性能&#xff1a; 不必多说。再看和DataStore的对比&#xff1a; 简介 根据MMKV官方文档所言 MM…

【数电笔记】20-有约束的逻辑函数化简

目录 说明&#xff1a; 约束项和约束条件 1. 引例 1.1 引例中的约束项 1.2 引例中的约束条件 利用约束项 / 约束条件化简逻辑函数 1. 例1 2. 例2 3. 例3 4. 例4 说明&#xff1a; 笔记配套视频来源&#xff1a;B站&#xff1b;本系列笔记并未记录所有章节&#xff0…

宝塔+docker+jenkins部署vue项目----笔记版

宝塔dockerjenkins部署vue项目&#xff08;保姆级教程&#xff09;https://blog.csdn.net/weixin_47284756/article/details/129339940 基于上述教程&#xff0c;不同的地方。 1.我使用的是gitee&#xff0c;所以需要在jenkins中安装gitee插件 配置gitee&#xff0c;其他默认配…

基于51单片机的十字路口交通灯_5s黄灯倒计时闪烁

基于51单片机十字路口交通灯_5s黄灯闪烁 &#xff08;程序仿真仿真视频&#xff09; 仿真&#xff1a;proteus 7.8 程序编译器&#xff1a;keil 4/keil 5 编程语言&#xff1a;C语言 设计编号&#xff1a;J006 功能要求 交通灯运行状态&#xff1a; &#xff08;1&…