ChatGPT是目前最先进的AI聊天机器人，它能够理解图片和文字，生成流畅和有趣的回答。如果你想跟上AI时代的潮流，你一定要学会使用ChatGPT。如果你想了解OpenAI最新发布的GPT-4模型，以及它如何为ChatGPT聊天机器人带来更强大的功能，那么你一定不要错过OpenAI官网推荐的48种最佳应用场景，不管你是资深开发者、初学者，你都能够从0到1快速入门，并掌握他们。

在这个AI大时代，如果不想被人颠覆，就要先颠覆别人。如果你颠覆不了别人，那你就努力运用ChatGPT提高你的技术水平和创造力。

ChatGPT不仅能够进行流畅和有趣的对话，还能够执行一些复杂的语言任务，例如翻译编程语言。ChatGPT可以根据用户的指令，将一种编程语言转换成另外一种语言，例如从Python转换成Haskell。这样，开发人员就可以利用ChatGPT的能力，快速学习和使用不同的编程语言，从而极大提高开发人员工作效率和创造力。

Introduce 简介

Translate programming languages 翻译编程语言
To translate from one programming language to another we can use the comments to specify the source and target languages.
要从一种编程语言翻译成另一种语言，我们可以使用注释来指定源语言和目标语言。

setting 设置

Engine：code-davinci-002
Max tokens：54
Temperature：0
Top p：1.0
Frequency penalty：0.0
Presence penalty：0.0
Stop sequence：###

说明：
0、Engine 设置定义了你要使用的模型，例如 text-davinci-003 是一个文本生成模型。这种模型可以根据输入的文本，生成新的、相关的文本。code-davinci-002是一个代码生成模型，特别擅长将自然语言翻译成代码,除了完成代码生成外，还支持在代码中进行代码补全。
1、Max tokens是指在请求中最多允许返回的 token 数目，比如你可以指定 chatGPT 返回最多 54个 token。这可以帮助你控制输出的内容大小，以便更好地控制响应速度和结果。一般1个token约4个字符或者0.75个单词
2、Temperature 是一个参数，用于控制 chatGPT 的输出。它决定了 chatGPT 在生成文本时会多么“随意”。值越高，chatGPT 生成的文本就越不可预测；值越低，chatGPT 生成的文本就越可预测。它在0.0到2.0之间，Temperature设置为0意味着ChatGPT将会生成更加保守的回复，即更少的随机性和更多的准确性，这可以帮助你在聊天中更好地控制语义，并且可以防止ChatGPT产生不相关的内容。通常建议更改此值或 Top P，但不要同时更改这两个值。
3、Top p 是随温度采样的替代方案，称为核采样，其中模型考虑具有top_p概率质量的标记的结果。因此0.1意味着仅考虑包括前10%概率质量的记号。通常建议更改此值或 temperature，但不要同时更改这两个值。
4、Frequency penalty 是指在训练时，模型会根据词频来调整每个单词的重要性。它可以帮助模型更好地理解文本，并减少过拟合。介于-2.0和2.0之间的数字。正值会根据新标记在文本中的现有频率惩罚新标记，从而降低模型逐字重复同一行的可能性。Frequency penalty设置为0意味着模型不会对重复的词进行惩罚。它可以帮助模型生成更多的新词，而不是重复使用已有的词。
5、Presence penalty 是指在ChatGPT中，一些预先定义的条件或者状态可能会影响机器人回答的质量，介于-2.0和2.0之间的数字。正值会根据新标记到目前为止是否出现在文本中来惩罚它们，从而增加模型谈论新主题的可能性。如果将 Presence penalty 设置为 0，则表示不会有任何惩罚。
6、Stop sequence 是一种设置，通过它可以确定你的聊天会话的结束标志。当你在 ChatGPT中设置 Stop sequence为 ### 时，表示你的聊天会话结束标志是（###）。

Prompt 提示

##### Translate this function from Python into Haskell 将此函数从Python转换为Haskell
### Python
def predict_proba(X: Iterable[str]):
return np.array([predict_one_probas(tweet) for tweet in X])
### Haskell

Sample response 回复样本

predict_proba :: [String] -> [Probability]
predict_proba = map predict_one_probas

API request 接口请求

python接口请求示例

import os
import openaiopenai.api_key = os.getenv("OPENAI_API_KEY")response = openai.Completion.create(model="code-davinci-002",prompt="##### Translate this function  from Python into Haskell\n### Python\n    \n    def predict_proba(X: Iterable[str]):\n        return np.array([predict_one_probas(tweet) for tweet in X])\n    \n### Haskell",temperature=0,max_tokens=54,top_p=1.0,frequency_penalty=0.0,presence_penalty=0.0,stop=["###"]
)

node.js接口请求示例

const { Configuration, OpenAIApi } = require("openai");const configuration = new Configuration({apiKey: process.env.OPENAI_API_KEY,
});
const openai = new OpenAIApi(configuration);const response = await openai.createCompletion({model: "code-davinci-002",prompt: "##### Translate this function  from Python into Haskell\n### Python\n    \n    def predict_proba(X: Iterable[str]):\n        return np.array([predict_one_probas(tweet) for tweet in X])\n    \n### Haskell",temperature: 0,max_tokens: 54,top_p: 1.0,frequency_penalty: 0.0,presence_penalty: 0.0,stop: ["###"],
});

curl命令示例

curl https://api.openai.com/v1/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer $OPENAI_API_KEY" \-d '{"model": "code-davinci-002","prompt": "##### Translate this function  from Python into Haskell\n### Python\n    \n    def predict_proba(X: Iterable[str]):\n        return np.array([predict_one_probas(tweet) for tweet in X])\n    \n### Haskell","temperature": 0,"max_tokens": 54,"top_p": 1.0,"frequency_penalty": 0.0,"presence_penalty": 0.0,"stop": ["###"]
}'

json格式示例

{"model": "code-davinci-002","prompt": "##### Translate this function  from Python into Haskell\n### Python\n    \n    def predict_proba(X: Iterable[str]):\n        return np.array([predict_one_probas(tweet) for tweet in X])\n    \n### Haskell","temperature": 0,"max_tokens": 54,"top_p": 1.0,"frequency_penalty": 0.0,"presence_penalty": 0.0,"stop": ["###"]
}

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。