我用ChatGPT寫神經(jīng)網(wǎng)絡(luò)：一字不改，結(jié)果竟然很好用

AI 寫 AI，來得比預料中更快一些。

自從去年底推出以來，對話式 AI 模型 ChatGPT 火遍了整個社區(qū)。

ChatGPT 的確是一個了不起的工具，就像一個「潘多拉魔盒」。一旦找到正確的打開方式，你或許會發(fā)現(xiàn)，自己再也離不開它了。

作為一個全能選手，人們給 ChatGPT 提出的要求五花八門，有人用它寫論文，有人讓它陪聊，這些都是常見的玩法。腦洞再打開一點，既然 ChatGPT 是 AI 中的「王者」，那它會不會寫一個 AI？

近日，一位機器學習領(lǐng)域的博主突發(fā)奇想，他決定讓 ChatGPT 構(gòu)建一個神經(jīng)網(wǎng)絡(luò)，使用 Keras 解決 MNIST 問題。

MNIST 算是機器學習領(lǐng)域的經(jīng)典問題。即使這個手寫數(shù)字數(shù)據(jù)集逐漸淡出了計算機視覺領(lǐng)域，但它的紀念意義仍然不可忽視，很多人入門深度學習的第一個數(shù)據(jù)集、驗證算法的第一個實驗都是 MNIST。

話不多說，想到了就開工。作者直接讓 ChatGPT 寫了一段代碼，看上去完美無缺，甚至不需要更改任何內(nèi)容。

這是一個很好的開始。

ChatGPT 選擇了分類交叉熵作為損失函數(shù)。作者提出重寫分類交叉熵這部分代碼，ChatGPT 將其替換為稀疏分類交叉熵，更新之后的代碼仍能 Work。可以發(fā)現(xiàn)，新的損失函數(shù)放棄了標簽的分類轉(zhuǎn)換。

ChatGPT 生成的代碼使用了全連接層，但作者想使用卷積層。因此，ChatGPT 按照指示修改了代碼，并添加了一個 Conv2D 和一個最大池化層（MaxPooling layer）。

然后來到了評估最終模型階段，作者讓 ChatGPT 使用測試集編寫代碼。

結(jié)果看起來很棒，而且 ChatGPT 的每一次回復都帶有完整的解釋。比如在這次評估中，它這樣解釋：

「評估」方法將測試數(shù)據(jù)和測試標簽作為參數(shù)，并返回模型編譯（此處為準確率）期間指定的損失和度量。上面的代碼片段輸出了測試的準確率，這應該可以讓你了解到模型對新數(shù)據(jù)的概括性。

模型在訓練期間使用了整個測試集作為驗證數(shù)據(jù)。然后，作者讓 ChatGPT 將其更改為訓練數(shù)據(jù)的 20%。

此外，作者還想要更小的 batch 并運行更少 epoch 的代碼。雖然這一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情況下更改代碼。

所以這項任務(wù)還是落在了 ChatGPT 頭上：

接下來，作者打算繪制訓練過程中的訓練和測試損失圖。ChatGPT 的建議是：需要更改適合模型的 line 以捕獲其結(jié)果值。

為了展示數(shù)據(jù)集中的一些示例，作者讓 ChatGPT 編寫代碼來輸出圖像和標簽的組合。這些輸出的代碼也很完美，附有 20 張圖片的合集。

構(gòu)建模型時，查看其結(jié)構(gòu)也是必要的。如果用這個問題去問 ChatGPT ，回復是：

ChatGPT 給出的是關(guān)于模型的總結(jié)：

模型的總結(jié)很有用，但作者更想看到顯示模型結(jié)構(gòu)的圖。所以繼續(xù)問：

結(jié)果是滿意的，最后就是準備部署這個模型了，讓 ChatGPT 將模型保存到磁盤吧：

現(xiàn)在，作者想創(chuàng)建一個使用保存的模型進行預測的類。這是 prompt 很有趣，解決方案也很完美。

現(xiàn)在編寫一個示例，使用預測器的類來預測 10 個隨機圖像的標簽：

為了完成這個，作者讓 ChatGPT 展示了一個混淆矩陣：

該說不說，ChatGPT 使用的樣式還真挺好看。

完成所有試驗后，作者將所有 ChatGPT 生成的代碼公布了出來，你也可以上手試試：

地址：https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing