机器之心报导
修改：蛋酱
AI 写 AI，来得比预料中更快一些。
自从去年底推出以来，对话式 AI 模型 ChatGPT 火遍了整个社区。
ChatGPT 的确是一个了不得的东西，就像一个「潘多拉魔盒」。一旦找到正确的打开方式，你或许会发现，自己再也离不开它了。
作为一个万能选手，人们给 ChatGPT 提出的要求形形色色，有人用它写论文，有人让它陪聊，这些都是常见的玩法。脑洞再打开一点，已然 ChatGPT 是 AI 中的「王者」，那它会不会写一个 AI？
近来，一位机器学习范畴的博主突发奇想，他决议让 ChatGPT 构建一个神经网络，运用 Keras 处理 MNIST 问题。
MNIST 算是机器学习范畴的经典问题。即便这个手写数字数据集逐步淡出了计算机视觉范畴，但它的留念含义依然不行忽视，很多人入门深度学习的第一个数据集、验证算法的第一个实验都是 MNIST。
话不多说，想到了就开工。作者直接让 ChatGPT 写了一段代码，看上去白璧无瑕，乃至不需要更改任何内容。
这是一个很好的开端。
ChatGPT 挑选了分类穿插熵作为丢失函数。作者提出重写分类穿插熵这部分代码，ChatGPT 将其替换为稀少分类穿插熵，更新之后的代码仍能 Work。可以发现，新的丢失函数抛弃了标签的分类转化。
ChatGPT 生成的代码运用了全衔接层，但作者想运用卷积层。因而，ChatGPT 依照指示修改了代码，并添加了一个 Conv2D 和一个最大池化层（MaxPooling layer）。
然后来到了评价终究模型阶段，作者让 ChatGPT 运用测验集编写代码。
成果看起来很棒，并且 ChatGPT 的每一次回复都带有完好的解说。比方在这次评价中，它这样解说：
「评价」办法将测验数据和测验标签作为参数，并回来模型编译（此处为准确率）期间指定的丢失和衡量。上面的代码片段输出了测验的准确率，这应该可以让你了解到模型对新数据的概括性。
模型在练习期间运用了整个测验集作为验证数据。然后，作者让 ChatGPT 将其更改为练习数据的 20%。
此外，作者还想要更小的 batch 并运转更少 epoch 的代码。尽管这一步未必要用到 ChatGPT，但他不想在不更新 ChatGPT 上下文的情况下更改代码。
所以这项使命仍是落在了 ChatGPT 头上：
接下来，作者计划制作练习过程中的练习和测验丢失图。ChatGPT 的主张是：需要更改合适模型的 line 以捕获其成果值。
为了展现数据会集的一些示例，作者让 ChatGPT 编写代码来输出图画和标签的组合。这些输出的代码也很完美，附有 20 张图片的合集。
构建模型时，检查其结构也是必要的。如果用这个问题去问 ChatGPT ，回复是：
ChatGPT 给出的是关于模型的总结：
模型的总结很有用，但作者更想看到显现模型结构的图。所以持续问：
成果是满足的，最终便是预备布置这个模型了，让 ChatGPT 将模型保存到磁盘吧：
现在，作者想创立一个运用保存的模型进行猜测的类。这是 prompt 很风趣，处理方案也很完美。
现在编写一个示例，运用猜测器的类来猜测 10 个随机图画的标签：
为了完结这个，作者让 ChatGPT 展现了一个混杂矩阵：
该说不说，ChatGPT 运用的款式还真挺美观。
完结一切实验后，作者将一切 ChatGPT 生成的代码发布了出来，你也可以上手试试：
地址：https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing