序

AI东西整理

根据 AI 的画图才能，有人让它创建很多的“填色本

花费： 免费版只要 25 generations，后边再用就需要晋级付费版

Use Midjourney to generate and publish coloring books – AiTuts

运用步骤

How to run Meta’s LLaMA on your computer (Windows, Linux tutorial) – AiTuts

不只能够运用 ChatGPT 的模型，也能够运用好几个其他的大言语模型

poe.com/

浏览器 翻译插件

fanyi.caiyunapp.com/#/

帮助我快速总结视频内容，再来决定是否要看

chrome.google.com/webstore/de…

AI 工具整理

经过 AI 辅佐你来读论文

typeset.io/

www.chatpdf.com/

没有创作创意？让 AI 给些建议

www.notion.so/product/ai

画图东西

Midjourney、Dall-E 2 这样的画图东西

有用的提示语

chrome.google.com/webstore/de…

代码

调用openai 处理文本


import openai
import os
openai.api_key = os.environ.get("OPENAI_API_KEY")
COMPLETION_MODEL = "text-davinci-003"
prompt = """
Consideration product : 工厂现货PVC充气青蛙夜市地摊畅销充气玩具发光蛙儿童水上玩具
1. Compose human readable product title used on Amazon in english within 20 words.
2. Write 5 selling points for the products in Amazon.
3. Evaluate a price range for this product in U.S.
4. 运用中文 介绍一下
Output the result in json format with three properties called title, selling_points and price_range and chinese
"""
def get_response(prompt):
    completions = openai.Completion.create (
        engine=COMPLETION_MODEL,
        prompt=prompt,
        max_tokens=512,
        n=1,
        stop=None,
        temperature=0.0,        
    )
    message = completions.choices[0].text
    return message
print(get_response(prompt))

回来

{
    "title": "PVC Inflatable Glow Frog Night Market Hot Selling Inflatable Toy for Kids Water Toy",
    "selling_points": [
        "Made of durable PVC material",
        "Inflatable design for easy storage and transport",
        "Glow in the dark for added fun",
        "Perfect for pool parties and beach trips",
        "Great gift for kids"
    ],
    "price_range": "$10 - $20",
    "chinese": "这款PVC充气青蛙夜市地摊畅销充气玩具发光蛙儿童水上玩具，采用耐用的PVC材料制成，充气规划，便于存放和运输，夜晚发光，增加更多乐趣，合适游泳池派对和海滩旅行，是孩子们的礼物。"
}
Process finished with exit code 0

openai 还能做

  1. 了解你的语义去生成文本
  2. 翻译
  3. 利用 AI 自己有的知识给商品定价
  4. 依据咱们的要求把咱们想要的结果，经过一个 JSON 结构化地回来给咱们

openai的例子

platform.openai.com/examples

openai的api接口，简略概括便是两类：complete（给予答案）和embedding（文本input转化为向量）

“情感剖析”问题，是指咱们依据一段文字，去判断它的情绪是正面的仍是负面的

传统的解决方案便是把它当成是一个分类问题，也便是先拿一部分谈论数据，人工标示一下这些谈论是正面仍是负面的。假如有个用户说“这家饭馆真好吃”，那么就标示成“正面情感”。假如有个用户说“这个手机质量欠好”，那么就把对应的谈论标示成负面的。

咱们把标示好的数据，喂给一个机器学习模型，练习出一组参数。然后把剩下的没有人工标示过的数据也拿给练习好的模型计算一下。模型就会给你一个分数或许概率，告诉你这一段谈论的爱情是正面的，仍是负面的。能够用来做情感剖析的模型有许多，这些算法背面都是根据某一个数学模型。比方，许多教科书里，就会教你用朴素贝叶斯算法来进行垃圾邮件分类。朴素贝叶斯的模型，便是简略地计算每个单词和好评差评之间的条件概率。一般来说，假如一个词语在差评里呈现的概率比好评里高得多，那这个词语所在的谈论，就更有或许是一个差评。

AI 工具整理

传统办法的挑战：

特征工程与模型调参但这些传统的机器学习算法，想要取得好的作用，仍是颇有门槛的。除了要知道有哪些算法能够用，还有两方面的工作非常依靠经历。

特征工程

特征工程的方法有许多，比方去除停用词，也便是“的地得”这样的词语，去掉过于低频的词语，比方一些偶然呈现的专有名词。或许关于有些词语特征采用 TF-IDF（词频 – 逆文档频率）这样的计算特征，还有在英语里面临不同时态的单词一致换成现在时。

不同的特征工程方法，在不同的问题上作用不一样，比方咱们做情感剖析，或许就需要保存标点符号，因为像“！”这样的符号往往蕴含着激烈的情感特征。但是，这些种种细微的技巧，让咱们在想要解决一个简略的情感剖析问题时，也需要撰写很多文本处理的代码，还要了解针对当时特定场景的技巧，这非常依靠工程师的经历。

机器学习相关经历

需要将数据集切分红练习（Training）、验证（Validation）、测验（Test）三组数据，然后经过 AUC 或许混杂矩阵（Confusion Matrix）来衡量作用。假如数据量不够多，为了练习作用的稳定性，或许需要采用 K-Fold 的方法来进行练习。