推荐：将NSDT场景编辑器加入你的3D工具链
3D工具集：NSDT简石数字孪生.
ChatGPT 可以帮助我们学习新的编程语言、课程、技术和技能。它已成为许多寻求改进工作流程或学习新事物的专业人士的首选工具。ChatGPT 专家助手提示可以减少我们对 Google 的依赖，并提供实现目标的详细计划。
在这篇文章中，您将学习利用简单的 ChatGPT 提示来学习技术或执行专业任务。具体来说，您将学习如何：
让我们开始吧。
ChatGPT 作为您的专家助手
图片，由 Adrian Tam 使用稳定扩散生成。保留部分权利。
这篇文章分为三个部分;他们是
在第一个示例中，您将解决许多数据科学家可能不知道的专门问题。为了加速机器学习模型训练，大多数工程师目前使用 GPU（图形处理单元）或多个 GPU。但是，TPU（张量处理单元）可以提供更快的训练时间。您可能无法找到很多使用 TPU 的说明，但您可以通过编写正确的提示来向 ChatGPT 寻求帮助。
在提示中，应定义：
例如，提示可以是以下内容：
担任专业的机器学习工程师，编写 Python 代码，用于在 TPU 上训练 TensorFlow 图像分类模型。计算环境是Google Colab。
这是你可能从 ChatGPT 的响应中看到的输出：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 |
import tensorflow as tf # Check if TPU is available try: tpu = tf.distribute.cluster_resolver.TPUClusterResolver() # TPU detection tf.config.experimental_connect_to_cluster(tpu) tf.tpu.experimental.initialize_tpu_system(tpu) strategy = tf.distribute.experimental.TPUStrategy(tpu) print("Running on TPU:", tpu.master()) except ValueError: strategy = tf.distribute.OneDeviceStrategy("GPU") print("Running on GPU or CPU") # Load and preprocess your dataset # Replace `your_dataset` with your own dataset loading and preprocessing code # Define the model architecture # Replace `your_model` with your own model architecture # Compile the model # Replace `your_loss`, `your_metrics`, and `your_optimizer` with appropriate values with strategy.scope(): model = your_model model.compile(loss=your_loss, metrics=your_metrics, optimizer=your_optimizer) # Define training parameters # Replace `your_epochs` and `your_batch_size` with appropriate values epochs = your_epochs batch_size = your_batch_size # Train the model # Replace `your_training_data` with your own training data model.fit(your_training_data, epochs=epochs, batch_size=batch_size) # Evaluate the model # Replace `your_test_data` with your own test data loss, accuracy = model.evaluate(your_test_data) print("Test loss:", loss) print("Test accuracy:", accuracy) |
ChatGPT 示例演示了如何通过生成带有占位符的 Python 代码来在 TPU 上训练模型。若要正确执行代码，必须将占位符替换为数据集加载和预处理代码、模型体系结构、损失函数、评估指标、优化器、训练参数、训练数据和测试数据。
替换代码后，可以将其复制并粘贴到新的 Colab 笔记本中，并使用 TPU 硬件加速运行代码。您获得的代码可能无法完全执行，并且可能包含一些错误。但是，您应该能够识别它们并轻松更正它们。
注意：ChatGPT 的输出并不总是正确的。您必须使用其他方法验证准确性。
在第二个示例中，您将重点介绍安全砍伐树木所需的非技术技术。要获取适当的说明，您必须在提示中提供足够的情况，例如：
例如，对 ChatGPT 的提示可以是：
Act as an experienced professional arborist and list the critical safety procedures for removing a 50-foot-tall Box Elder tree located between two houses in a suburban neighborhood in Mountain View, California.
This is what you may see in the output:
作为一名经验丰富的专业树艺师，我可以为您提供一份关键安全程序清单，以移除位于加利福尼亚州山景城郊区两栋房屋之间的 50 英尺高的箱式接骨木树。重要的是要注意，树木移除可能是危险的，我强烈建议您咨询经过认证的树艺师或树木清除专业人员来完成此类任务。尽管如此，以下是一些需要考虑的一般安全程序：
生成的列表涵盖了许多重要的安全步骤。然而，像描述的那样移除一棵大树是一项复杂的任务，可能需要专门的设备、训练有素的人员、所需的许可证、适当的技术、对关键细节的访问和应急计划。即使您聘请专业人士，您也需要在开绿灯之前访问树的位置、面积和传播。
总之，遵循 ChatGPT 的说明进行此类工作可能不是一个好主意，即使它提供了有关如何执行此操作的许多细节。聘请经过认证的树艺师和有保险的树木清除公司来完成这项工作可能是一个更明智的决定。
想想与真正的专业律师或医生交谈——你不会走进去含糊地说“我需要帮助”。您将彻底解释您的特定请求背后的人员、内容、地点、原因和方式。同样的原则也适用于使用 ChatGPT 专家助手。
要使用 ChatGPT 生成有效的专家帮助程序提示，请为其提供尽可能多的相关上下文。解释：
对场景的描述越准确、具体和可靠，ChatGPT 的响应可能就越精确和有用。ChatGPT 模拟“专家”的能力受到您为构建上下文而提供的信息的清晰度和完整性的限制。
在这篇文章中，我们讨论了如何制作 ChatGPT 专家助手提示以生成有用的响应。具体来说，我们涵盖了：
