ChatGPT拥有的18种游戏玩法get起来！

语法更正

文本翻译

语言转换

代码解释-1

代码解释-2

修复代码错误

作为百科全书

信息提取

好友聊天

创意生成器

采访问题

论文大纲

故事创作

问题类比

创建SQL需求

情感分析

将产品描述转变为广告

关键字提取

闲聊机器人

你确定你已经熟悉了ChatGPT的使用方法吗？今天我为大家整理了18种ChatGPT的用法，看看有哪些方法适合你吧！

语法更正

用途：文章、论文等润色。

文本翻译

用途：日常学习、商务翻译等。

语言转换

Python–>JAVA

用途：工作用途，不同语言工程师之间的合作，更加方便。

import numpy as np

import plotly.express as px

def thresholding_algo(y, lag, threshold):

"""

:param y: 输入列表

:param lag: 滑动窗口大小

:param threshold: 调节系数，用于调节容忍范围的大小。

:return:

"""

# signals：信号列表

signals = np.zeros(len(y))

avgFilter = np.zeros(len(y))

# 初始化平均值列表、差值列表

avgFilter[lag - 1] = np.mean(y[0:lag])

dif_li = [0] * len(y)

for i in range(lag, len(y)):

if i 

for j in range(i + 11, len(y)):

if y[j] >= y[i - 1]:

break

if j >= len(y) - 30:

back = y[i - 1]

else:

back = np.mean(y[j + 11:j + 20 + lag])

else:

back = y[i - 1]

# 前后均值差值计算

tmp = abs(back - avgFilter[i - 1])

dif = (tmp if tmp > 1 else 1)

if abs(y[i] - avgFilter[i - 1]) > dif * threshold:

signals[i] = (1 if y[i] > avgFilter[i - 1] else -1)

avgFilter[i] = np.mean(y[(i - lag):i])

y[i] = avgFilter[i - 1]

else:

signals[i] = 0

avgFilter[i] = np.mean(y[(i - lag):i])

dif_li[i] = dif

return dict(signals=np.asarray(signals),

avgFilter=np.asarray(avgFilter),

y=np.asarray(y),

dif=np.asarray(dif_li),

)

public static Map thresholding_algo(double[] y, int lag, double threshold) {

double[] signals = new double[y.length];

double[] avgFilter = new double[y.length];

Arrays.fill(avgFilter, 0.0);

avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));

double[] dif_li = new double[y.length];

Arrays.fill(dif_li, 0.0);

for (int i = lag; i 

int j;

if (i 

for (j = i + 11; j 

if (y[j] >= y[i - 1]) {

break;

}

}

double back;

if (j >= y.length - 30) {

back = y[i - 1];

} else {

back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));

}

} else {

back = y[i - 1];

}

double tmp = Math.abs(back - avgFilter[i - 1]);

double dif = tmp > 1 ? tmp : 1;

if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {

signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;

avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));

y[i] = avgFilter[i - 1];

} else {

signals[i] = 0;

avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));

}

dif_li[i] = dif;

}

Map result = new HashMap();

result.put("signals", signals);

result.put("avgFilter", avgFilter);

result.put("y", y);

result.put("dif", dif_li);

return result;

}

private static double mean(double[] array) {

double sum = 0.0;

for (double d : array) {

sum += d;

}

return sum / array.length;

}

代码解释-1

用途：当我们来到一家新的公司，发现前任工程师留下了一摊谁都看不懂的代码，这时候，如果有个人能帮我们解释一下这些代码是什么意思，那简直不要太开心。

def Fusion_algorithm(y_list):

"""

最终的融合算法

1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。

2、第二次使用z-score来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如Z-score和移动平均线

该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得Z-score

并将其用于检测异常值，将z-score大于3的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。

3、

:param y_list: 传入需要处理的时间序列

:return:

"""

# 第一次处理

for i in range(1, len(y_list)):

difference = y_list[i] - y_list[i - 1]

if difference 

y_list[i] = y_list[i - 1]

# 基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值，

# 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如Z-score突变检测、CUSUM（Cumulative Sum）

# else:

#     if abs(difference) > 2 * np.mean(y_list[:i]):

#         y_list[i] = y_list[i - 1]

# 第二次处理

# 计算每个点的移动平均值和标准差

ma = np.mean(y_list)

# std = np.std(np.array(y_list))

std = np.std(y_list)

# 计算Z-score

z_score = [(x - ma) / std for x in y_list]

# 检测异常值

for i in range(len(y_list)):

# 如果z-score大于3，则为异常点，去除

if z_score[i] > 3:

print(y_list[i])

y_list[i] = y_list[i - 1]

return y_list

代码解释-2

备注：上一个代码解释，我们可以看到，答案或许受到了代码中注释的影响，我们删掉注释，再来一次。对于解释中一些不懂的点，我们可以连续追问！

import numpy as np

from sklearn.ensemble import IsolationForest

import plotly.express as px

import matplotlib.pyplot as plt

from sklearn.cluster import KMeans

import json

def Fusion_algorithm(y_list):

for i in range(1, len(y_list)):

difference = y_list[i] - y_list[i - 1]

if difference 

y_list[i] = y_list[i - 1]

# else:

#     if abs(difference) > 2 * np.mean(y_list[:i]):

#         y_list[i] = y_list[i - 1]

ma = np.mean(y_list)

std = np.std(y_list)

z_score = [(x - ma) / std for x in y_list]

for i in range(len(y_list)):

if z_score[i] > 3:

print(y_list[i])

y_list[i] = y_list[i - 1]

return y_list

修复代码错误

用途：写完一段代码后发现有错误？让chatGPT来帮你！

# Buggy Python

import Random

a = random.randint(1,12)

b = random.randint(1,12)

for i in range(10):

question = "What is "+a+" x "+b+"? "

answer = input(question)

if answer = a*b

print (Well done!)

else:

print("No.")

作为百科全书

用途：ChatGPT可以解释你所有的问题！但是列出小说这个功能有些拉胯，经过测试只有科幻小说列的还可以，其他类型不太行，可能chatgpt训练工程师是个科幻迷！

信息提取

用途：作为自然语言处理界的大模型，怎么能少得了信息提取呢？

好友聊天

用途：输入对方性格模拟聊天，这方面功能不太完善，可能有新鲜玩法我还没有挖掘出来。

创意生成器

用途：是不是常常会在创新上遇到思维瓶颈不知道怎么做？不要担心，让chatGPT帮你生成创意！

VR和密室结合

再结合AR

采访问题

用途：可能您是一个媒体工作者，采访问题不知道怎么写？chatGPT可以帮您解决。

采访问题清单

采访问题清单并给出相应答案

论文大纲

用途：这个功能对于研究生简直不要太爽了，一直在郁闷大纲怎么写，直接列出来大纲简直帮了我天大的忙！对于大纲中不理解的点，直接要求chatGPT给出进一步解释。代码也可以有！那一章的内容不太会写，直接让chatGPT安排，这样，一篇论文很快就写出来啦！

创建论文大纲

解释大纲内容

class PBA(nn.Module):

def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange):

super(PBA, self).__init__()

self.PerformanceThreshold = PerformanceThreshold

self.DistributionType = DistributionType

self.AttentionWeightRange = AttentionWeightRange

def forward(self, input, performance_scores):

# 计算注意力分数

attention_scores = []

for i in range(len(input)):

if performance_scores[i] > self.PerformanceThreshold:

attention_scores.append(performance_scores[i])

else:

attention_scores.append(0.0)

# 将性能分数映射到注意力权重

if self.DistributionType == "softmax":

attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)

elif self.DistributionType == "sigmoid":

attention_weights = torch.sigmoid(torch.tensor(attention_scores))

else:

raise ValueError("Unknown distribution type: {}".format(self.DistributionType))

# 缩放注意力权重到指定范围

attention_weights = attention_weights * (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]

# 计算加权输入

weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand_as(input))

output = torch.sum(weighted_input, dim=0)

return output

故事创作

用途：这个功能真的太太太棒了，以后我自己列提纲出来就可以写小说啦！

爱情故事

恐怖故事

问题类比

用途：当你想要做一个比喻时，这是一个很棒的功能。

创建SQL需求

用途：写SQL有时候挺头疼的，想好久想不起来。

情感分析

用途：这个功能让我想起来在之前公司做的情感分析任务了。

将产品描述转变为广告

用途：这个功能对于商家来说太棒了。

关键字提取

用途：NLP任务的重要作用，关键字提取！

闲聊机器人

用途：这个不多说了，用来闲聊体验感真的很不错。

总结

我觉得角色扮演挺有意思的，对话前加一句：假如你是 xxx。

现在有一些小程序，让AI扮演一些角色对话，就是用这种方法实现的。

小编亲测，电脑端用起来也是非常快捷，很简单很好上手

用它写了各种自媒体文章

自带500种创作模型，用它写了短视频脚本