在菲律宾做网络网站犯法吗,深圳企业电话黄页,提高网站访问量,夏县做网站用GPT干的18件事#xff0c;能够真正提高学习生产力#xff0c;建议收藏。 语法更正 文本翻译 语言转换 代码解释 修复代码错误 作为百科全书 信息提取 好友聊天 创意生成器 采访问题 论文大纲 故事创作 问题类比 创建 SQL 需求 情感分析 将产品描述转变为广告 关键字提取 闲…用GPT干的18件事能够真正提高学习生产力建议收藏。 语法更正 文本翻译 语言转换 代码解释 修复代码错误 作为百科全书 信息提取 好友聊天 创意生成器 采访问题 论文大纲 故事创作 问题类比 创建 SQL 需求 情感分析 将产品描述转变为广告 关键字提取 闲聊机器人 语法更正 用途文章、论文等润色。 文本翻译 用途日常学习、商务翻译等。 语言转换 Python–JAVA
用途工作用途不同语言工程师之间的合作更加方便。
import numpy as np
import plotly.express as pxdef thresholding_algo(y, lag, threshold)::param y: 输入列表:param lag: 滑动窗口大小:param threshold: 调节系数用于调节容忍范围的大小。:return:# signals信号列表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]:breakif j len(y) - 30:back y[i - 1]else:back np.mean(y[j 11:j 20 lag])else:back y[i - 1]# 前后均值差值计算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] 0avgFilter[i] np.mean(y[(i - lag):i])dif_li[i] difreturn dict(signalsnp.asarray(signals),avgFilternp.asarray(avgFilter),ynp.asarray(y),difnp.asarray(dif_li),)public static MapString, 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;}MapString, 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;
}代码解释-1 用途当我们来到一家新的公司发现前任工程师留下了一摊谁都看不懂的代码这时候如果有个人能帮我们解释一下这些代码是什么意思那简直不要太开心。 def Fusion_algorithm(y_list):最终的融合算法1、第一次遍历列表: 处理掉小于上一个值的点使其等于上一个值。2、第二次使用z-score来处理异常点一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法比如Z-score和移动平均线该算法将时间序列中的每个数据点都看作是来自一个正态分布通过计算每个数据点与其临接数据点的平均值和标准差可以获得Z-score并将其用于检测异常值将z-score大于3的数据点视为异常值缺点如果异常点太多则该算法的准确性较差。3、:param y_list: 传入需要处理的时间序列:return:# 第一次处理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]# 基于突变检测的方法如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值# 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法如Z-score突变检测、CUSUMCumulative Sum# else:# if abs(difference) 2 * np.mean(y_list[:i]):# y_list[i] y_list[i - 1]# 第二次处理# 计算每个点的移动平均值和标准差ma np.mean(y_list)# std np.std(np.array(y_list))std np.std(y_list)# 计算Z-scorez_score [(x - ma) / std for x in y_list]# 检测异常值for i in range(len(y_list)):# 如果z-score大于3则为异常点去除if z_score[i] 3:print(y_list[i])y_list[i] y_list[i - 1]return y_list代码解释-2 备注上一个代码解释我们可以看到答案或许受到了代码中注释的影响我们删掉注释再来一次。对于解释中一些不懂的点我们可以连续追问 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 jsondef 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修复代码错误 用途写完一段代码后发现有错误让chatGPT来帮你 ### 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*bprint (Well done!)else:print(No.)作为百科全书 用途chatGPT可以解释你所有的问题但是列出小说这个功能有些拉跨经过测试只有科幻小说列的还可以其他类型不太行可能chatgpt训练工程师是个科幻迷 信息提取 用途作为自然语言处理界的大模型怎么能少得了信息提取呢 好友聊天 用途输入对方性格模拟聊天这方面功能不太完善可能有新鲜玩法我还没有挖掘出来。 创意生成器 用途是不是常常会在创新上遇到思维瓶颈不知道怎么做不要担心让chatGPT帮你生成创意
VR和密室结合 再结合AR 采访问题 用途可能您是一个媒体工作者采访问题不知道怎么写chatGPT可以帮您解决。
采访问题清单 采访问题清单并给出相应答案 论文大纲 用途这个功能对于研究生简直不要太爽了一直在郁闷大纲怎么写直接列出来大纲简直帮了我天大的忙对于大纲中不理解的点直接要求chatGPT给出进一步解释。代码也可以有那一章的内容不太会写直接让chatGPT安排这样一篇论文很快就写出来啦
创建论文大纲 解释大纲内容
class PBA(nn.Module):def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):super(PBA, self).__init__()self.PerformanceThreshold PerformanceThresholdself.DistributionType DistributionTypeself.AttentionWeightRange AttentionWeightRangedef forward(self, input, performance_scores):# 计算注意力分数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)# 将性能分数映射到注意力权重if self.DistributionType softmax:attention_weights F.softmax(torch.tensor(attention_scores), dim0)elif self.DistributionType sigmoid:attention_weights torch.sigmoid(torch.tensor(attention_scores))else:raise ValueError(Unknown distribution type: {}.format(self.DistributionType))# 缩放注意力权重到指定范围attention_weights attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) self.AttentionWeightRange[0]# 计算加权输入weighted_input torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))output torch.sum(weighted_input, dim0)return output故事创作 用途这个功能真的太太太棒了以后我自己列提纲出来就可以写小说啦
爱情故事 恐怖故事 问题类比 用途当你想要做一个比喻时这是一个很棒的功能。 创建SQL需求 用途写SQL有时候挺头疼的想好久想不起来。 情感分析 用途这个功能让我想起来在之前公司做的情感分析任务了。 将产品描述转变为广告 用途这个功能对于商家来说太棒了。 关键字提取 用途NLP任务的重要作用关键字提取 闲聊机器人 用途这个不多说了用来闲聊体验感真的很不错。 总结 我觉得角色扮演挺有意思的对话前加一句假如你是 xxx。
现在有一些小程序让AI扮演一些角色对话就是用这种方法实现的。
