自从去年底推出以来，对话式 AI 模型 ChatGPT 火遍了整个社区。
ChatGPT 的确是一个了不起的工具，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。
作为一个全能选手，人们给 ChatGPT 提出的要求五花八门，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，既然 ChatGPT 是 AI 中的「王者」，那它会不会写一个 AI？
近日，一位呆板进修范畴的博主突发奇想，他决定让 ChatGPT 建立一个神经网络，应用 Keras 解决 MNIST 问题。
MNIST 算是呆板进修范畴的经典问题。即使这个手写数字数据集逐渐淡出了计算机视觉范畴，但它的纪念意义仍然不可忽视，很多人入门深度进修的第一个数据集、考证算法的第一个实验都是 MNIST。
话不多说，想到了就开工。作家直接让 ChatGPT 写了一段代码，看上去圆满无缺，甚至不需要变动任何内容。
这是一个很好的开始。
ChatGPT 选择了分类穿插熵作为损坏函数。作家提出重写分类穿插熵这部分代码，ChatGPT 将其替换为稀疏分类穿插熵，革新之后的代码仍能 Work。可以发现，新的损坏函数放弃了标签的分类转换。
ChatGPT 生成的代码应用了全连接层，但作家想应用卷积层。因此，ChatGPT 按照指示修改了代码，并添加了一个 Conv2D 和一个最大池化层（MaxPooling layer）。
然后来到了评价最终模型阶段，作家让 ChatGPT 应用尝试集编辑代码。
结果看起来很棒，而且 ChatGPT 的每一次复原都带有完整的解释。比如在这次评价中，它这样解释：
「评价」方法将尝试数据和尝试标签作为参数，并返回模型编译（此处为准确率）期间指定的损坏和度量。上面的代码片段输入了尝试的准确率，这应该可以让你了解到模型对新数据的概括性。
模型在训练期间应用了整个尝试集作为考证数据。然后，作家让 ChatGPT 将其变动为训练数据的 20%。
此外，作家还想要更小的 batch 并运行更少 epoch 的代码。虽然这一步未必要用到 ChatGPT，但他不想在不革新 ChatGPT 上下文的情况下变动代码。
所以这项任务还是落在了 ChatGPT 头上：
接下来，作家打算绘制训练过程中的训练和尝试损坏图。ChatGPT 的建议是：需要变动适合模型的 line 以捕获其结果值。
为了揭示数据集中的一些示例，作家让 ChatGPT 编辑代码来输入图象和标签的组合。这些输入的代码也很圆满，附有 20 张图片的合集。
建立模型时，查看其结构也是必要的。如果用这个问题去问 ChatGPT ，复原是：
ChatGPT 给出的是关于模型的归纳：
模型的归纳很有用，但作家更想看到显示模型结构的图。所以继续问：
结果是满意的，最后就是准备部署这个模型了，让 ChatGPT 将模型遗失到磁盘吧：
现在，作家想创建一个应用遗失的模型进行预测的类。这是 prompt 很有趣，解决方案也很圆满。
现在编辑一个示例，应用预测器的类来预测 10 个随机图象的标签：
为了完成这个，作家让 ChatGPT 揭示了一个混淆矩阵：
该说不说，ChatGPT 应用的样式还真挺好看。
完成所有试验后，作家将所有 ChatGPT 生成的代码公布了出来，你也可以上手试试：
地址：https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing