数据集模拟生成

之前章节我们已经演示过ChatGPT 如何根据 prompt 编写文章或续写文章，文本生成的作用不仅仅在语文方面有用，本节我们演示另一种场景，利用 ChatGPT 来生成数据。看似作用差不多，其实这是目前开源社区非常常用的大语言模型研究中的一步，学名叫 self-instruction。简单来说，将一些人工编写好的或者挑选好的极少数训练数据，交给 ChatGPT 进行仿写，可以得到多出两三个数量级的新训练数据。这样有助于大语言模型的微调训练。

我们以北京航空航天大学开源的 LogQA 标注数据集(https://github.com/LogQA-dataset/LogQA/blob/main/data/Spark/qa.json.train)中的前十行训练数据为例，让 ChatGPT 来生成更多数据：

{"Question": "What stage was the task 28.0 completed in?", "Answer": "29.0", "RawLog": "Finished task 28.0 in stage 29.0 (TID 1348). 2128 bytes result sent to driver"} {"Question": "How many kb is broadcast_3 free?", "Answer": "318.5", "RawLog": "Block broadcast_3 stored as values in memory (estimated size 384.0 B, free 318.5 KB)"} {"Question": "Is partition rdd_42_18 found?", "Answer": "not", "RawLog": "Partition rdd_42_18 not found, computing it"} {"Question": "Is partition rdd_42_15 found?", "Answer": "not", "RawLog": "Partition rdd_42_15 not found, computing it"} {"Question": "How many kb is broadcast_24_piece0 free?", "Answer": "393.0", "RawLog": "Block broadcast_24_piece0 stored as bytes in memory (estimated size 5.6 KB, free 393.0 KB)"} {"Question": "Is partition rdd_42_4 found?", "Answer": "not", "RawLog": "Partition rdd_42_4 not found, computing it"} {"Question": "What is the ID for stage 7.0?", "Answer": "299", "RawLog": "Running task 1.0 in stage 7.0 (TID 299)"} {"Question": "What is the ID for stage 12.0?", "Answer": "494", "RawLog": "Running task 1.0 in stage 12.0 (TID 494)"} {"Question": "Is partition rdd_11_1 found?", "Answer": "not", "RawLog": "Partition rdd_11_1 not found, computing it"} {"Question": "What stage was the task 42.0 completed in?", "Answer": "24.0", "RawLog": "Finished task 42.0 in stage 24.0 (TID 1127). 2364 bytes result sent to driver"}

参照上面数据，仿写一批类似数据。

得到的 ChatGPT 生成结果如图：

对比原始数据可以发现，ChatGPT 完美的识别除了数据中哪些内容是可以被随机替换的，应该怎么替换，并且保证了在同一行内，相同的的内容，Question、Answer 和 RawLog 中保持一致。

有趣的是：ChatGPT 严格按照示例数据的样式，循环生成。我们给的 prompt 中，分别是 1 个 complate、1 个 kb、2 个 found、1 个 free、1 个 found、2 个 ID、1 个 found、1 个 complete，ChatGPT 生成 30 条也一模一样按照这个顺序循环 3 次。

所以如果要生成更多数据，或者生成均衡数据的，也可以分批分类生成。这里就不重复演示了。如果我们确实希望采用这种方式生成数以万计的训练数据，建议通过 API 方式调用 ChatGPT 服务。本书后续章节会介绍ChatGPT 的接口开通和调用方法，请参阅。

密码生成

个人密码强度非常重要，但是靠个人自己编写，总会不由自主的寻找一些有意义的、方便记忆的密码组合。市面上甚至有诸如 1passwd 之类的密码生成和管理器软件，来方便我们按需生成和保管不同网站的密码。

ChatGPT 也可以在这个时候帮我们的忙。为了加强 ChatGPT 生成的密码强度，我们把一些具体规则也通过 prompt 告知 ChatGPT，包括密码长度、数字、大小写、特殊符号的数量等等。

为那些需要安全密码的人提供密码生成器。我将为您提供包括“长度”、“大写”、“小写”、“数字”和“特殊”字符在内的输入表单。您的任务是生成一个复杂的密码使用这些输入形式，并提供给我。不要在回复中包含任何解释或其他信息，只需提供生成的密码。例如，如果输入的表单是长度= 8，大写= 1，小写= 5，数字= 2，特殊= 1，那么您的响应应该是一个密码，例如“D5%t9Bgf”。

然后尝试输入一次具体期望，看 ChatGPT 给我们的结果会是什么：