类比生成者 - ChatGPT应用实例
创建类比。从下面的提示进行修改,要求使用较少的例子。
提示
为这个短语创建一个类比:
问题就像箭一样:
示例回答
问题就像箭一样,它们都有穿透表面并揭示隐藏真相的力量。
这是 生成 分类的页面,点击下面标题查看详细文章内容:
创建类比。从下面的提示进行修改,要求使用较少的例子。
提示
为这个短语创建一个类比:
问题就像箭一样:
示例回答
问题就像箭一样,它们都有穿透表面并揭示隐藏真相的力量。
这是一个创建给定Python函数的文档字符串的示例。我们指定Python版本,粘贴代码,然后在注释中要求编写文档字符串,并给出文档字符串的特征开头(""")。
提示:
# Python 3.7
def randomly_split_dataset(folder, filename, split_ratio=[0.8, 0.2]):
df = pd.read_json(folder + filename, lines=True)
train_name, test_name = "train.jsonl", "test.jsonl"
df_train, df_test = train_test_split(df, test_size=split_ratio[1], random_state=42)
df_train.to_json(folder + train_name, orient='records', lines=True)
df_test.to_json(folder + test_name, orient='records', lines=True)
randomly_split_dataset('finetune_data/', 'dataset.jsonl')# 上述函数的详细高质量文档字符串:
"""
样本回复:
"""此函数根据给定的分割比例,随机将数据集分成两部分:训练集和测试集。
参数:
folder(str):包含数据集的文件夹路径。
filename(str):数据集文件的名称。
split_ratio(list):包含两个浮点数的列表,表示训练集和测试集的比例。返回值:
None
"""
将文本描述转化为颜色。
提示
类似于黄昏蓝天的CSS颜色代码:
background-color: #
示例回答
3A5F9F
2023年7月25日更新:
将文本描述转换为颜色。
提示
系统
您将获得一种心情的描述,您的任务是生成与其匹配的颜色的 CSS 代码。 使用名为“css_code”的单个键将输出写入 json。
用户
黄昏时的蓝天。
示例回答
{
"css_code": "background-color: #1a237e;"
}
API请求
{
"model": "gpt-3.5-turbo",
"messages": [
{
"role": "system",
"content": "You will be provided with a description of a mood, and your task is to generate the CSS code for a color that matches it. Write your output in json with a single key called \"css_code\"."
},
{
"role": "user",
"content": "Blue sky at dusk."
}
],
"temperature": 0,
"max_tokens": 1024
}
模拟一次文字消息对话。
提示
你:最近在忙些什么?
朋友:在看老电影。
你:看到有趣的电影了吗?
朋友:
回答示范
是的,我看了一部叫做《卡萨布兰卡》的经典老电影。真的很好看!
从一段文本中提取联系信息。
提示
从这封电子邮件中提取姓名和邮寄地址:
亲爱的凯利,
在研讨会上与你交谈很愉快。我觉得简的演讲非常好。
谢谢你送的书。这是我的地址:2111 Ash Lane,Crestview CA 92002
祝好,
玛雅
姓名:
示例回答
玛雅
邮寄地址:2111 Ash Lane,Crestview CA 92002
一个简单的提示用于从文本中提取机场代码。
提示
从这段文本中提取机场代码:
文本:"我想从洛杉矶飞往迈阿密。"
机场代码:LAX,MIA文本:"我想从奥兰多飞往波士顿。"
机场代码:
样本回答
MCO,BOS
2023年7月25日更新:
从文本中提取机场代码。
提示
系统
您将收到一条文本,您的任务是从中提取机场代码。
用户
我想要从 奥兰多 飞往 波士顿
样本回答
奥兰多和波士顿的机场代码分别是 MCO 和 BOS。
API请求
{
"model": "gpt-3.5-turbo",
"messages": [
{
"role": "system",
"content": "You will be provided with a text, and your task is to extract the airport codes from it."
},
{
"role": "user",
"content": "I want to fly from Orlando to Boston"
}
],
"temperature": 0,
"max_tokens": 256
}
生成一份科幻小说的书单,当列出第10本书时停止。
提示
列出10本科幻小说:
样本回应
1. 《1984年》 乔治·奥威尔著
2. 《世界大战》 H.G. 威尔斯著
3. 《沙丘》 弗兰克·赫伯特著
4. 《科学怪人》 玛丽·雪莱著
5. 《安德的游戏》 奥森·斯科特·卡德著
6. 《银河系漫游指南》 道格拉斯·亚当斯著
7. 《火星编年史》 雷·布莱伯著
8. 《美丽新世界》 奥尔德斯·赫胥黎著
9. 《仿生人会梦见电子羊吗?》 菲利普·K·狄克著
10. 《我,机器人》 以撒·阿西莫夫著
这是一个回答有关语言模型问题的问答式聊天机器人。
提示
ML导师:我是一个ML/AI语言模型导师
你:什么是语言模型?
ML导师:语言模型是一个统计模型,它描述了给定前面的一些词后,后面一个词的概率。
你:什么是统计模型?
样本回应
ML导师:统计模型是对现实世界现象的数学表示。它被用来根据数据做出预测或决策。统计模型使用概率和统计来对数据做出推断。
创建包含各种数据的电子表格。这是一个长的提示,但非常灵活。输出可以被复制+粘贴到文本文件中,并保存为带有管道分隔符的.csv文件。
提示
一个两列的电子表格,包含顶级科幻电影的名称和发行年份:
标题 | 发行年份
样本回应
异形 | 1979
银翼杀手 | 1982
终结者 | 1984
黑客帝国 | 1999
阿凡达 | 2009
星际穿越 | 2014
机械姬 | 2015
降临 | 2016
头号玩家 | 2018
2023年7月25日更新:
API请求
{
"model": "gpt-3.5-turbo",
"messages": [
{
"role": "user",
"content": "Create a two-column CSV of top science fiction movies along with the year of release."
}
],
"temperature": 0.5,
"max_tokens": 256
}
2002-2023 v11.7 a-j-e-0