Datawhale干货
技术：ChatGPT，编辑：机器之心
AI 写 AI，来得比预料中更快一些。
自从去年底推出以来，对话式 AI 模型 ChatGPT 火遍了整个社区。
ChatGPT 的确是一个了不起的工具，就像一个「潘多拉魔盒」。一旦找到正确的打开方式，你或许会发现，自己再也离不开它了。
作为一个全能选手，人们给 ChatGPT 提出的要求五花八门，有人用它写论文，有人让它陪聊，这些都是常见的玩法。脑洞再打开一点，既然 ChatGPT 是 AI 中的「王者」，那它会不会写一个 AI？
近日，一位机器学习领域的博主突发奇想，他决定让 ChatGPT 构建一个神经网络，使用 Keras 解决 MNIST 问题。
MNIST 算是机器学习领域的经典问题。即使这个手写数字数据集逐渐淡出了计算机视觉领域，但它的纪念意义仍然不可忽视，很多人入门深度学习的第一个数据集、验证算法的第一个实验都是 MNIST。
话不多说，想到了就开工。作者直接让 ChatGPT 写了一段代码，看上去完美无缺，甚至不需要更改任何内容。
这是一个很好的开始。
ChatGPT 选择了分类交叉熵作为损失函数。作者提出重写分类交叉熵这部分代码，ChatGPT 将其替换为稀疏分类交叉熵，更新之后的代码仍能 Work。可以发现，新的损失函数放弃了标签的分类转换。
ChatGPT 生成的代码使用了全连接层，但作者想使用卷积层。因此，ChatGPT 按照指示修改了代码，并添加了一个 Conv2D 和一个最大池化层（MaxPooling layer）。
然后来到了评估最终模型阶段，作者让 ChatGPT 使用测试集编写代码。
结果看起来很棒，而且 ChatGPT 的每一次回复都带有完整的解释。比如在这次评估中，它这样解释：
「评估」方法将测试数据和测试标签作为参数，并返回模型编译（此处为准确率）期间指定的损失和度量。上面的代码片段输出了测试的准确率，这应该可以让你了解到模型对新数据的概括性。
模型在训练期间使用了整个测试集作为验证数据。然后，作者让 ChatGPT 将其更改为训练数据的 20%。
此外，作者还想要更小的 batch 并运行更少 epoch 的代码。虽然这一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情况下更改代码。
所以这项任务还是落在了 ChatGPT 头上：
接下来，作者打算绘制训练过程中的训练和测试损失图。ChatGPT 的建议是：需要更改适合模型的 line 以捕获其结果值。
为了展示数据集中的一些示例，作者让 ChatGPT 编写代码来输出图像和标签的组合。这些输出的代码也很完美，附有 20 张图片的合集。
构建模型时，查看其结构也是必要的。如果用这个问题去问 ChatGPT ，回复是：
ChatGPT 给出的是关于模型的总结：
模型的总结很有用，但作者更想看到显示模型结构的图。所以继续问：
结果是满意的，最后就是准备部署这个模型了，让 ChatGPT 将模型保存到磁盘吧：
现在，作者想创建一个使用保存的模型进行预测的类。这是 prompt 很有趣，解决方案也很完美。
现在编写一个示例，使用预测器的类来预测 10 个随机图像的标签：
为了完成这个，作者让 ChatGPT 展示了一个混淆矩阵：
该说不说，ChatGPT 使用的样式还真挺好看。
完成所有试验后，作者将所有 ChatGPT 生成的代码公布了出来，你也可以上手试试：
地址：https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing
整理不易，点赞三连↓
