我用 ChatGPT 干的 18 件事！

2. 文本翻譯

用途：日常學(xué)習(xí)、商務(wù)翻譯等。

3. 語言轉(zhuǎn)換

Python–>JAVA

用途：工作用途，不同語言工程師之間的合作，更加方便。

import numpy as np
import plotly.express as px

def thresholding_algo(y, lag, threshold):
    """
    :param y: 輸入列表
    :param lag: 滑動(dòng)窗口大小
    :param threshold: 調(diào)節(jié)系數(shù)，用于調(diào)節(jié)容忍范圍的大小。
    :return:
    """
    # signals：信號列表
    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]

        # 前后均值差值計(jì)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),
                )

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;
}

4. 代碼解釋

用途：當(dāng)我們來到一家新的公司，發(fā)現(xiàn)前任工程師留下了一攤誰都看不懂的代碼，這時(shí)候，如果有個(gè)人能幫我們解釋一下這些代碼是什么意思，那簡直不要太開心。

def Fusion_algorithm(y_list):
    """
    最終的融合算法
    1、第一次遍歷列表: 處理掉小于上一個(gè)值的點(diǎn)，使其等于上一個(gè)值。
    2、第二次使用z-score來處理異常點(diǎn)：一種基于統(tǒng)計(jì)方法的時(shí)序異常檢測算法借鑒了一些經(jīng)典的統(tǒng)計(jì)方法，比如Z-score和移動(dòng)平均線
    該算法將時(shí)間序列中的每個(gè)數(shù)據(jù)點(diǎn)都看作是來自一個(gè)正態(tài)分布，通過計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與其臨接數(shù)據(jù)點(diǎn)的平均值和標(biāo)準(zhǔn)差，可以獲得Z-score
    并將其用于檢測異常值，將z-score大于3的數(shù)據(jù)點(diǎn)視為異常值，缺點(diǎn)：如果異常點(diǎn)太多，則該算法的準(zhǔn)確性較差。
    3、
    :param y_list: 傳入需要處理的時(shí)間序列
    :return:
    """
    # 第一次處理
    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]
        # 基于突變檢測的方法：如果一個(gè)數(shù)據(jù)點(diǎn)的值與前一個(gè)數(shù)據(jù)點(diǎn)的值之間的差異超過某個(gè)閾值，
        # 則該數(shù)據(jù)點(diǎn)可能是一個(gè)突變的異常點(diǎn)。這種方法需要使用一些突變檢測算法，如Z-score突變檢測、CUSUM（Cumulative Sum）
        # else:
        #     if abs(difference) > 2 * np.mean(y_list[:i]):
        #         y_list[i] = y_list[i - 1]

    # 第二次處理
    # 計(jì)算每個(gè)點(diǎn)的移動(dòng)平均值和標(biāo)準(zhǔn)差
    ma = np.mean(y_list)
    # std = np.std(np.array(y_list))
    std = np.std(y_list)
    # 計(jì)算Z-score
    z_score = [(x - ma) / std for x in y_list]
    # 檢測異常值
    for i in range(len(y_list)):
        # 如果z-score大于3，則為異常點(diǎn)，去除
        if z_score[i] > 3:
            print(y_list[i])
            y_list[i] = y_list[i - 1]

    return y_list

備注：上一個(gè)代碼解釋，我們可以看到，答案或許受到了代碼中注釋的影響，我們刪掉注釋，再來一次。對于解釋中一些不懂的點(diǎn)，我們可以連續(xù)追問！

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

5. 修復(fù)代碼錯(cuò)誤

用途：寫完一段代碼后發(fā)現(xiàn)有錯(cuò)誤？讓 ChatGPT 來幫你！

### 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.")

6. 作為百科全書

用途：ChatGPT 可以解釋你所有的問題！但是列出小說這個(gè)功能有些拉胯，經(jīng)過測試只有科幻小說列得還可以，其他類型不太行，可能 ChatGPT 訓(xùn)練工程師是個(gè)科幻迷！

7. 信息提取

用途：作為自然語言處理界的大模型，怎么能少得了信息提取呢？

8. 好友聊天

用途：輸入對方性格模擬聊天，這方面功能不太完善，可能有新鮮玩法我還沒有挖掘出來。

9. 創(chuàng)意生成器

用途：是不是常常會(huì)在創(chuàng)新上遇到思維瓶頸不知道怎么做？不要擔(dān)心，讓 ChatGPT 幫你生成創(chuàng)意！

VR 和密室結(jié)合

再結(jié) AR

10. 采訪問題

用途：可能您是一個(gè)媒體工作者，采訪問題不知道怎么寫？ChatGPT 可以幫您解決。

采訪問題清單

采訪問題清單并給出相應(yīng)答案

11. 論文大綱

用途：這個(gè)功能對于研究生簡直不要太爽了，一直在郁悶大綱怎么寫，直接列出來大綱簡直幫了我天大的忙！對于大綱中不理解的點(diǎn)，直接要求 ChatGPT 給出進(jìn)一步解釋。代碼也可以有！哪一章的內(nèi)容不太會(huì)寫，直接讓 ChatGPT 安排，這樣，一篇論文很快就寫出來啦！

創(chuàng)建論文大綱

解釋大綱內(nèi)容

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):
        # 計(jì)算注意力分?jǐn)?shù)
        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)

        # 將性能分?jǐn)?shù)映射到注意力權(quán)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))

        # 縮放注意力權(quán)重到指定范圍
        attention_weights = attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]

        # 計(jì)算加權(quán)輸入
        weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))
        output = torch.sum(weighted_input, dim=0)

        return output

版權(quán)聲明：本文為 CSDN 博主「ㄣ知冷煖★」的原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接和本聲明。 

原文鏈接：

https://blog.csdn.net/weixin_42475060/article/details/129399125