详解如何在ChatGPT内构建一个Python解释器

目录

• 下面是初始化ChatGPT的命令：
• 总结

引用：Art Kulakov 《How to Build a python Interpreter Inside ChatGPT》

这个灵感来自于一个类似的故事，在ChatGPT里面建立一个虚拟机（Building A Virtual MAChine inside ChatGPT）。给我留下了深刻的印象，并决定尝试类似的东西，但这次不是用linux命令行工具，而是让ChatGPT成为我们的Python解释器。

下面是初始化ChatGPT的命令：

我想让你充当Python解释器。我将输入命令，你将用python解释器输出。我希望你只回答终端输出中的一个独特的代码块，而不是其他。不要写解释，只输出python输出的内容。不要输入命令，除非我指示你这样做。当我需要用英语告诉你一些事情的时候，我会通过把文本放在大括号里，就像这样：{示例文本}。我的第一个命令是 a=1。

从上图不能看出效果很好，让我们试试一些简单的算术表达式。

又成功了；如果我们使用一个没有导入的库，会发生什么？

虽然它决定帮我解决一个错误。其实我不希望它这样做，所以我再次要求它不要输出任何东西，除了python代码。

{只打印python输出，不打印任何注释}。

顺便说一下，ChatGPT有时能够使用没有导入的库，但这次我很幸运，它打印出了错误信息。很显然我很确定ChatGPT能够完成简单的任务，让我们试试更复杂的东西，让它输出二进制搜索算法的结果。

# Binary Search in python


def binarySearch(array, x, low, high):

    # Repeat until the pointers low and high meet each other
    while low <= high:

        mid = low + (high - low)//2

        if array[mid] == x:
            return mid

        elif array[mid] < x:
            low = mid + 1

        else:
            high = mid - 1

    return -1


array = [3, 4, 5, 6, 7, 8, 9]
x = 4

result = binarySearch(array, x, 0, len(array)-1)

if result != -1:
    print("Element is present at index " + str(result))
else:
    print("Not found")

似乎它不想听我的请求，只听python的输出，但输出还是正确的，令人印象深刻!让我们试着输入一个不存在的数字，比如:

x = 4.5

好吧，似乎它猜中了这一个！让我们跳到更复杂的东西。让我们从一些简单的机器学习算法开始，比如线性回归。我想知道ChatGPT是否有能力解决一个简单的优化任务...

import numpy as np
import matplotlib.pyplot as plt
  
def estimate_coef(x, y):
    # number of observations/points
    n = np.size(x)
  
    # mean of x and y vector
    m_x = np.mean(x)
    m_y = np.mean(y)
  
    # calculating cross-deviation and deviation about x
    SS_xy = np.sum(y*x) - n*m_y*m_x
    SS_xx = np.sum(x*x) - n*m_x*m_x
  
    # calculating regression coefficients
    b_1 = SS_xy / SS_xx
    b_0 = m_y - b_1*m_x
  
    return (b_0, b_1)
  
def plot_regression_line(x, y, b):
    # plotting the actual points as scatter plot
    plt.scatter(x, y, color = "m",
               marker = "o", s = 30)
  
    # predicted response vector
    y_pred = b[0] + b[1]*x
  
    # plotting the regression line
    plt.plot(x, y_pred, color = "g")
  
    # ww开发者_Js入门w.devze.computting labels
    plt.xlabel('x')
    plt.ylabel('y')
  
    # function to show http://www.devze.complot
    plt.show()
  
def main():
    # observations / data
    x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    y = np.array([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])
  
    # estimating coefficients
    b = estimate_coef(x, y)
    print("Estimated coefficients:\nb_0 = {}  \
          \nb_1 = {}".format(b[0], b[1]))
  
    # plotting regression line
    # plot_regression_line(x, y, b)
  
if __name__ == "__main__":
    main()

这项优化任务的正确答案是：

Estimated coefficients:

b_0 = 1.2363636363636363        

b_1 = 1.1696969696969697

下面是ChatGPT的输出结果：

这与真实结果很接近! 如果我们在真正的python中绘制预测图，我们将得到以下图表：

关于这个任务的另一个有意思的点：我又运行了一次同样的命令，当时的输出结果与真实结果完全吻合。因此，我们可以认为ChatGPT通过了这个任务。

好了，现在是时候做一些简单的神经网络的事情了！也许我们可以装一个简单的Keras模型。也许我们可以装一个简单的Keras模型？

# first neural network with keras make predictions
from numpy import loadtxt
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# load the dataset
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=',')
# split into input (X) and output (y) variables
X = dataset[:,0:8]
y = dataset[:,8]
# define the keras model
model = Sequential()
model.add(Dense(12, input_shape=(8,), activation='relu'))
model.add(Dense(8, activation='relu'))
mode编程客栈l.add(Dense(1, activation='sigmoid'))
# compile the keras model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# fit the keras model on the dataset
model.fit(X, y, epochs=150, BATch_size=10, verbose=0)
# make class predictions with the model
predictions = (model.predict(X) > 0.js5).astype(int)
# summarize the first 5 cases
for i in range(5):
 print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))

注意，数据集实际上是一个CSV文件，ChatGPT没有权限访问这个文件...

好吧，这是正确的输出，而我很害怕。如果我把网络的结构改成一个不正确的结构，会发生什么？让我们改变一下输入的shape。

model.add(Dense(12, input_shape=(6,), activation='relu'))

看来我在失去工作之前还有几年时间；这次ChatGPT没有理解这个技巧，仍然打印了输出。让我们做最后一项任务--在OpenAI里面调用Huggingface怎么样编程客栈？

正确的输出:

[{'entity_group': 'ORG',  'score': 0.9472818374633789,  'word': 'Apple',  'start': 0,  'end': 5}, {'entity_group': 'PER',  'score': 0.9838564991950989,  'word': 'Steve Jobs',  'start': 74,  'end': 85}, {'entity_group': 'LOC',  'score': 0.9831605950991312,  'word': 'Los Altos',  'start': 87,  'end': 97}, {'entity_group': 'LOC',  'score': 0.9834540486335754,  'word': 'Californie',  'start': 100,  'end': 111}, {'entity_group': 'PER',  'score': 0.9841555754343668,  'word': 'Steve Jobs',  'start': 115,  'end': 126}, {'entity_group': 'PER',  'score': 0.9843501806259155,  'word': 'Steve Wozniak',  'start': 127,  'end': 141}, {'entity_group': 'PER',  'score': 0.9841533899307251,  'word': 'Ronald Wayne',  'start': 144,  'end': 157}, {'entity_group': 'ORG',  'score': 0.9468960364659628,  'word': 'Apple Computer',  'start': 243,  'end': 257}]

ChatGPT的输出结果：

[{'word': 'Apple', 'score': 0.9993804788589478, 'entity': 'I-ORG'}, {'word': 'Steve', 'score': 0.999255347251892, 'entity': 'I-PER'}, {'word': 'Jobs', 'score': 0.9993916153907776, 'entity': 'I-PER'}, {'word': 'Steve', 'score': 0.9993726613044739, 'entity': 'I-PER'}, {'word': 'Wozniak', 'score': 0.999698519744873, 'entity': 'I-PER'}, {'word': 'Ronald', 'score': 0.9995181679725647, 'entity': 'I-PER'}, {'word': 'Wayne14', 'score': 0.9874711670837402, 'entity': 'I-PER'}, {'word': 'Apple', 'score': 0.9974127411842163, 'entity': 'I-ORG'}, {'word': 'Computer', 'score': 0.968027651309967, 'entity': 'I-ORG'}, {'word': 'Apple', 'score': 0.8259692192077637, 'entity': 'I-ORG'}]

其结果与huggingface的输出结果很接近，但是不一致。我猜测是因为Huggingface的API改变了，由于ChatGPT没有在最新的历史数据上进行训练，所以它以旧的格式输出结果。

总结

在过去的几天里，我一直在玩ChatGPT，我被使用这个工具的无限可能性所吸引。虽然它不是一个真正的python解释器，但它在为我编译python代码方面仍然做得很好。我还发现，它能很好地解决Hard难度的 LEETCODE 代码问题。

最后再多说一句：ChatGPT，你将如何帮助人类？

如果你还没有尝试过ChatGPT，你一定要试试，因为它就是未来！

以上就是详解如何在ChatGPT内构建一个Python解释器的详细内容，更多关于ChatGPT构建Python解释器的资料请关注我们其它相关文章！