ChatGPT 作为您的专家助手

作者： Abid Ali Awan 于 2023年7月20日发布于 ChatGPT 0

ChatGPT 可以帮助我们学习新的编程语言、课程、技术和技能。对于许多寻求改进工作流程或学习新事物的专业人士来说，它已成为首选工具。ChatGPT 专家助手提示可以减少我们对谷歌的依赖，并为实现目标提供详细的计划。

在本帖中，您将学习如何利用简单的 ChatGPT 提示来学习一项技术或执行专门的任务。具体来说，您将学习如何

生成在 TPU（张量处理单元）上训练模型的说明。
生成安全砍伐树木的详细说明。
创建专家助手提示。

开始使用并应用 ChatGPT，请参阅我的书《使用 ChatGPT 最大化生产力》。书中提供了真实的用例和提示示例，旨在帮助您快速上手 ChatGPT。

让我们开始吧。

ChatGPT 作为您的专家助手
图片由 Adrian Tam 使用 Stable Diffusion 生成。保留部分权利。

概述

这篇博文分为三部分；它们是：

使用 TPU 加速机器学习模型
安全砍伐树木指南
创建专家助手提示的技巧

使用 TPU 加速机器学习模型

在第一个示例中，您将解决许多数据科学家可能不知道的专门问题。为了加速机器学习模型的训练，大多数工程师目前都使用 GPU（图形处理单元）或多个 GPU。然而，TPU（张量处理单元）可以提供更快的训练速度。您可能找不到太多使用 TPU 的说明，但您可以通过编写正确的提示来向 ChatGPT 求助。

在您的提示中，您应该定义

角色：ChatGPT 应扮演专业的机器学习工程师。
请求：为在 TPU 上训练图像分类器编写代码。
环境：Google Colab。

例如，提示可以如下：

扮演一名专业的机器学习工程师，为在 TPU 上训练 TensorFlow 图像分类模型编写 Python 代码。计算环境是 Google Colab。

这是您可能会从 ChatGPT 的回复中看到的输出：

import tensorflow as tf

# Check if TPU is available
try:
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver()  # TPU detection
    tf.config.experimental_connect_to_cluster(tpu)
    tf.tpu.experimental.initialize_tpu_system(tpu)
    strategy = tf.distribute.experimental.TPUStrategy(tpu)
    print("Running on TPU:", tpu.master())
except ValueError:
    strategy = tf.distribute.OneDeviceStrategy("GPU")
    print("Running on GPU or CPU")

# Load and preprocess your dataset
# Replace `your_dataset` with your own dataset loading and preprocessing code

# Define the model architecture
# Replace `your_model` with your own model architecture

# Compile the model
# Replace `your_loss`, `your_metrics`, and `your_optimizer` with appropriate values
with strategy.scope():
    model = your_model
    model.compile(loss=your_loss, metrics=your_metrics, optimizer=your_optimizer)

# Define training parameters
# Replace `your_epochs` and `your_batch_size` with appropriate values
epochs = your_epochs
batch_size = your_batch_size

# Train the model
# Replace `your_training_data` with your own training data
model.fit(your_training_data, epochs=epochs, batch_size=batch_size)

# Evaluate the model
# Replace `your_test_data` with your own test data
loss, accuracy = model.evaluate(your_test_data)
print("Test loss:", loss)
print("Test accuracy:", accuracy)

import tensorflow as tf

# 检查 TPU 是否可用

try:

tpu = tf.distribute.cluster_resolver.TPUClusterResolver() # TPU 检测

tf.config.experimental_connect_to_cluster(tpu)

tf.tpu.experimental.initialize_tpu_system(tpu)

strategy = tf.distribute.experimental.TPUStrategy(tpu)

print("Running on TPU:", tpu.master())

except ValueError:

strategy = tf.distribute.OneDeviceStrategy("GPU")

print("Running on GPU or CPU")

# 加载和预处理您的数据集

# 将 `your_dataset` 替换为您自己的数据集加载和预处理代码

# 定义模型架构

# 将 `your_model` 替换为您自己的模型架构

# Compile the model

# 将 `your_loss`、`your_metrics` 和 `your_optimizer` 替换为适当的值

with strategy.scope():

model = your_model

model.compile(loss=your_loss, metrics=your_metrics, optimizer=your_optimizer)

# 定义训练参数

# 将 `your_epochs` 和 `your_batch_size` 替换为适当的值

epochs = your_epochs

batch_size = your_batch_size

# 训练模型

# 将 `your_training_data` 替换为您自己的训练数据

model.fit(your_training_data, epochs=epochs, batch_size=batch_size)

# 评估模型

# 将 `your_test_data` 替换为您自己的测试数据

loss, accuracy = model.evaluate(your_test_data)

print("Test loss:", loss)

print("Test accuracy:", accuracy)

ChatGPT 示例演示了如何通过生成带占位符的 Python 代码来在 TPU 上训练模型。要正确执行代码，您必须用数据集加载和预处理代码、模型架构、损失函数、评估指标、优化器、训练参数、训练数据和测试数据替换占位符。

替换代码后，您可以将其复制并粘贴到新的 Colab 笔记本中，并使用 TPU 硬件加速运行代码。您获得的代码可能无法完全执行，并且可能包含一些错误。但是，您应该能够轻松识别并纠正它们。

注意：ChatGPT 的输出并不总是正确的。您必须通过其他方式验证其准确性。

安全砍伐树木指南

在第二个示例中，您将专注于安全砍伐树木所需的非技术性技术。要获得适当的说明，您必须在提示中提供足够多的环境信息，例如：

角色：ChatGPT 应扮演经验丰富的专业树艺师。
请求：列出安全砍伐树木所需的步骤。
环境：这棵树是接骨木，高 50 英尺，位于两栋房屋之间。
地点：郊区，加利福尼亚州山景城。

例如，发送给 ChatGPT 的提示可以是：

扮演一名经验丰富的专业树艺师，列出在加利福尼亚州山景城郊区两栋房屋之间移除一棵 50 英尺高的接骨木树的关键安全程序。

这是您可能会在输出中看到的内容：

作为一名经验丰富的专业树艺师，我可以为您提供移除位于加利福尼亚州山景城郊区两栋房屋之间的一棵 50 英尺高的接骨木树的关键安全程序的列表。请务必注意，树木移除可能非常危险，我强烈建议您为此任务咨询认证树艺师或专业的树木移除人员。尽管如此，以下是一些需要考虑的通用安全程序：

进行全面评估：在开始树木移除过程之前，评估树木的状况、潜在危险以及周围区域。寻找可能影响树木稳定性的腐烂、疾病或结构弱点的迹象。

获取必要的许可证：与当地政府部门联系，并获取在加利福尼亚州山景城移除树木所需的任何许可证或许可。遵守当地法规对于确保安全和避免法律问题至关重要。

使用适当的个人防护装备 (PPE)：穿戴适当的 PPE，包括安全帽、安全眼镜、耳罩、手套以及坚固的防滑靴。PPE 有助于防止坠落物和其他潜在危险。

建立安全区域：清晰地标记并保护树木周围的区域，以防止未经授权的进入。使用警示带或路障，让行人、车辆远离工作区域。

规划设备和人员：确定安全移除树木所需的设备、工具和人员。这可能包括链锯、绳索、索具设备和经验丰富的团队。

采取适当的修剪技术：如有必要，在主要移除过程之前对树木进行修剪，以移除枯枝或减轻树木的重量。适当的修剪技术有助于防止事故并控制树木的倒向。

进行受控砍伐：砍伐树木时，采用正确的切割技术以确保受控倒下。考虑树木的倾斜度、周围的障碍物、风向和其他可能影响其倒下路径的因素。

使用索具和下降装置：如果树木的位置对附近的建筑物或障碍物构成风险，请使用索具和下降装置来安全地控制树木的下降。此技术有助于最大程度地减少财产损失和受伤的可能性。

分段移除树木：在处理大型树木时，通常更安全的方法是分段移除。这包括小心地将树木较小的部分切割并降低到地面，而不是试图一次性将整棵树砍倒。

使用正确的树木移除技术：遵循行业最佳实践进行树木移除，包括进行精确切割、避免过度用力以及在整个过程中保持控制。注意树枝反弹和木材开裂等潜在危险。

考虑聘请专业人士：考虑到在两栋房屋之间移除一棵 50 英尺高的树木所涉及的复杂性和潜在风险，强烈建议聘请认证树艺师或经验丰富的树木移除公司的服务。他们的专业知识和专用设备将有助于确保安全高效的移除过程。

请记住，树木移除可能非常危险，尤其是在处理大树或靠近建筑物的大树时。始终将安全放在首位，以保护您自己、您的团队以及周围的财产。

生成的列表涵盖了许多重要的安全步骤。然而，移除如上所述的大型树木是一项复杂的任务，可能需要专用设备、训练有素的人员、必要的许可证、适当的技术、关键信息的访问以及应急计划。即使您聘请了专业人士，您也需要在开绿灯之前获得对树木位置、区域和范围的访问权限。

总之，即使 ChatGPT 提供了许多执行此类工作的详细说明，但遵循 ChatGPT 的说明来完成这项工作可能不是一个好主意。聘请认证树艺师和有执照的树木移除公司来完成这项工作可能是更明智的选择。

创建专家助手提示的技巧

想象一下与真正的专业律师或医生交谈——您不会走进来说“我需要帮助”。您会彻底解释您具体请求背后的谁、什么、在哪里、为什么和如何。使用 ChatGPT 专家助手也遵循同样的原则。

要使用 ChatGPT 创建有效的专家助手提示，请提供尽可能多的相关上下文。解释

您希望从中获得帮助的专家的角色或职业。要具体。例如：“一名认证的树艺师”
任务或请求的性质。要清晰、直接，并提供关键细节。例如：“安全移除这棵 50 英尺高的树，位于两栋房屋之间。”
影响情况的任何变量、约束或条件。根据需要提供测量、位置和规格。
导致复杂性的环境因素、情况或障碍。
您希望达到的预期结果或目标。

您的场景描述越准确、越具体、越稳健，ChatGPT 的回应就可能越精确和有用。ChatGPT 模拟“专家”的能力受您为构建上下文提供的信息的清晰度和完整性所限制。

总结

在本帖中，我们讨论了如何创建 ChatGPT 专家助手提示以生成有用的响应。具体来说，我们涵盖了

如何编写详细的提示来加速使用 TPU 进行机器学习模型的训练。
如何生成移除树木的关键安全程序列表。这比您想象的要复杂。
用于创建更具针对性提示的技巧，这些提示提供了任务的清晰描述，从相关专家的角度出发，包括必要的变量和已定义的目标。

导航

ChatGPT 作为您的专家助手

概述

使用 TPU 加速机器学习模型

安全砍伐树木指南

创建专家助手提示的技巧

总结

利用 ChatGPT 最大化你的生产力！

让生成式 AI 助您更智能地工作

使用我的最新著作让 AI 为你工作

关于此主题的更多信息

暂无评论。

留下回复点击此处取消回复。

导航

概述

使用 TPU 加速机器学习模型

安全砍伐树木指南

创建专家助手提示的技巧

总结

利用 ChatGPT 最大化你的生产力！

让生成式 AI 助您更智能地工作

使用我的最新著作让 AI 为你工作

关于此主题的更多信息

暂无评论。

留下回复 点击此处取消回复。

留下回复点击此处取消回复。