引用：Art Kulakov 《How to Build a Python Interpreter Inside ChatGPT》

这个灵感来自于一个相似的故事，在ChatGPT里边树立一个虚拟机（Building A Virtual Machine inside ChatGPT）。给我留下了深刻的形象，并决议测验相似的东西，但这次不是用Linux指令行东西，而是让ChatGPT成为咱们的Python解说器。

下面是初始化ChatGPT的指令：

我想让你充当Python解说器。我将输入指令，你将用python解说器输出。我期望你只回答终端输出中的一个独特的代码块，而不是其他。不要写解说，只输出python输出的内容。不要输入指令，除非我指示你这样做。当我需要用英语告诉你一些作业的时分，我会通过把文本放在大括号里，就像这样：{示例文本}。我的第一个指令是 a=1。

【译】如何在ChatGPT内构建一个Python解释器

从上图不能看出效果很好，让咱们试试一些简略的算术表达式。

【译】如何在ChatGPT内构建一个Python解释器

又成功了；假如咱们运用一个没有导入的库，会产生什么？

【译】如何在ChatGPT内构建一个Python解释器

虽然它决议帮我处理一个过错。其实我不期望它这样做，所以我再次要求它不要输出任何东西，除了python代码。

{只打印python输出，不打印任何注释}。

顺便说一下，ChatGPT有时能够运用没有导入的库，但这次我很幸运，它打印出了过错信息。很显然我很确定ChatGPT能够完结简略的使命，让咱们试试更复杂的东西，让它输出二进制搜索算法的成果。

# Binary Search in python
def binarySearch(array, x, low, high):
    # Repeat until the pointers low and high meet each other
    while low <= high:
        mid = low + (high - low)//2
        if array[mid] == x:
            return mid
        elif array[mid] < x:
            low = mid + 1
        else:
            high = mid - 1
    return -1
array = [3, 4, 5, 6, 7, 8, 9]
x = 4
result = binarySearch(array, x, 0, len(array)-1)
if result != -1:
    print("Element is present at index " + str(result))
else:
    print("Not found")

【译】如何在ChatGPT内构建一个Python解释器

好像它不想听我的请求，只听python的输出，但输出还是正确的，令人形象深刻!让咱们试着输入一个不存在的数字，比方:

x = 4.5

好吧，好像它猜中了这一个！让咱们跳到更复杂的东西。让咱们从一些简略的机器学习算法开端，比方线性回归。我想知道ChatGPT是否有能力处理一个简略的优化使命…

import numpy as np
import matplotlib.pyplot as plt
def estimate_coef(x, y):
    # number of observations/points
    n = np.size(x)
    # mean of x and y vector
    m_x = np.mean(x)
    m_y = np.mean(y)
    # calculating cross-deviation and deviation about x
    SS_xy = np.sum(y*x) - n*m_y*m_x
    SS_xx = np.sum(x*x) - n*m_x*m_x
    # calculating regression coefficients
    b_1 = SS_xy / SS_xx
    b_0 = m_y - b_1*m_x
    return (b_0, b_1)
def plot_regression_line(x, y, b):
    # plotting the actual points as scatter plot
    plt.scatter(x, y, color = "m",
               marker = "o", s = 30)
    # predicted response vector
    y_pred = b[0] + b[1]*x
    # plotting the regression line
    plt.plot(x, y_pred, color = "g")
    # putting labels
    plt.xlabel('x')
    plt.ylabel('y')
    # function to show plot
    plt.show()
def main():
    # observations / data
    x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    y = np.array([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])
    # estimating coefficients
    b = estimate_coef(x, y)
    print("Estimated coefficients:\nb_0 = {}  \
          \nb_1 = {}".format(b[0], b[1]))
    # plotting regression line
    # plot_regression_line(x, y, b)
if __name__ == "__main__":
    main()

这项优化使命的正确答案是：

Estimated coefficients:
b_0 = 1.2363636363636363        
b_1 = 1.1696969696969697

下面是ChatGPT的输出成果：

【译】如何在ChatGPT内构建一个Python解释器

这与实在成果很挨近! 假如咱们在实在的python中制作预测图，咱们将得到以下图表：

【译】如何在ChatGPT内构建一个Python解释器

关于这个使命的另一个有意思的点：我又运行了一次相同的指令，当时的输出成果与实在成果彻底符合。因此，咱们能够认为ChatGPT通过了这个使命。

好了，现在是时分做一些简略的神经网络的作业了！或许咱们能够装一个简略的Keras模型。或许咱们能够装一个简略的Keras模型？

# first neural network with keras make predictions
from numpy import loadtxt
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# load the dataset
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=',')
# split into input (X) and output (y) variables
X = dataset[:,0:8]
y = dataset[:,8]
# define the keras model
model = Sequential()
model.add(Dense(12, input_shape=(8,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# compile the keras model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# fit the keras model on the dataset
model.fit(X, y, epochs=150, batch_size=10, verbose=0)
# make class predictions with the model
predictions = (model.predict(X) > 0.5).astype(int)
# summarize the first 5 cases
for i in range(5):
 print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))

注意，数据集实际上是一个CSV文件，ChatGPT没有权限访问这个文件…

【译】如何在ChatGPT内构建一个Python解释器

好吧，这是正确的输出，而我很害怕。假如我把网络的结构改成一个不正确的结构，会产生什么？让咱们改变一下输入的shape。

model.add(Dense(12, input_shape=(6,), activation='relu'))

【译】如何在ChatGPT内构建一个Python解释器

看来我在失掉作业之前还有几年时间；这次ChatGPT没有了解这个技巧，依然打印了输出。让咱们做最终一项使命–在OpenAI里边调用Huggingface怎么样？

正确的输出:

[{'entity_group': 'ORG',  'score': 0.9472818374633789,  'word': 'Apple',  'start': 0,  'end': 5}, {'entity_group': 'PER',  'score': 0.9838564991950989,  'word': 'Steve Jobs',  'start': 74,  'end': 85}, {'entity_group': 'LOC',  'score': 0.9831605950991312,  'word': 'Los Altos',  'start': 87,  'end': 97}, {'entity_group': 'LOC',  'score': 0.9834540486335754,  'word': 'Californie',  'start': 100,  'end': 111}, {'entity_group': 'PER',  'score': 0.9841555754343668,  'word': 'Steve Jobs',  'start': 115,  'end': 126}, {'entity_group': 'PER',  'score': 0.9843501806259155,  'word': 'Steve Wozniak',  'start': 127,  'end': 141}, {'entity_group': 'PER',  'score': 0.9841533899307251,  'word': 'Ronald Wayne',  'start': 144,  'end': 157}, {'entity_group': 'ORG',  'score': 0.9468960364659628,  'word': 'Apple Computer',  'start': 243,  'end': 257}]

ChatGPT的输出成果：

[{'word': 'Apple', 'score': 0.9993804788589478, 'entity': 'I-ORG'}, {'word': 'Steve', 'score': 0.999255347251892, 'entity': 'I-PER'}, {'word': 'Jobs', 'score': 0.9993916153907776, 'entity': 'I-PER'}, {'word': 'Steve', 'score': 0.9993726613044739, 'entity': 'I-PER'}, {'word': 'Wozniak', 'score': 0.999698519744873, 'entity': 'I-PER'}, {'word': 'Ronald', 'score': 0.9995181679725647, 'entity': 'I-PER'}, {'word': 'Wayne14', 'score': 0.9874711670837402, 'entity': 'I-PER'}, {'word': 'Apple', 'score': 0.9974127411842163, 'entity': 'I-ORG'}, {'word': 'Computer', 'score': 0.968027651309967, 'entity': 'I-ORG'}, {'word': 'Apple', 'score': 0.8259692192077637, 'entity': 'I-ORG'}]

其成果与huggingface的输出成果很挨近，可是不一致。我猜想是因为Huggingface的API改变了，由于ChatGPT没有在最新的历史数据上进行练习，所以它以旧的格式输出成果。

总结

在曩昔的几天里，我一直在玩ChatGPT，我被运用这个东西的无限可能性所吸引。虽然它不是一个实在的python解说器，但它在为我编译python代码方面依然做得很好。我还发现，它能很好地处理Hard难度的 LEETCODE 代码问题。

最终再多说一句：ChatGPT，你将如何协助人类？

【译】如何在ChatGPT内构建一个Python解释器

假如你还没有测验过ChatGPT，你一定要试试，因为它就是未来！

最终，求求各位大佬帮我投投票 App点这里