類比生成者 - ChatGPT應用實例
創建類比。從下面的提示進行修改,要求使用較少的例子。
提示
為這個短語創建一個類比:
問題就像箭一樣:
示例回答
問題就像箭一樣,它們都有穿透表面并揭示隐藏真相的力量。
這是 生成 分類的頁面,點擊下面标題查看詳細文章内容:
創建類比。從下面的提示進行修改,要求使用較少的例子。
提示
為這個短語創建一個類比:
問題就像箭一樣:
示例回答
問題就像箭一樣,它們都有穿透表面并揭示隐藏真相的力量。
這是一個創建給定Python函數的文檔字符串的示例。我們指定Python版本,粘貼代碼,然後在注釋中要求編寫文檔字符串,并給出文檔字符串的特征開頭(""")。
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')# 上述函數的詳細高質量文檔字符串:
"""
樣本回複:
"""此函數根據給定的分割比例,随機将數據集分成兩部分:訓練集和測試集。
參數:
folder(str):包含數據集的文件夾路徑。
filename(str):數據集文件的名稱。
split_ratio(list):包含兩個浮點數的列表,表示訓練集和測試集的比例。返回值:
None
"""
将文本描述轉化為顔色。
提示
類似于黃昏藍天的CSS顔色代碼:
background-color: #
示例回答
3A5F9F
2023年7月25日更新:
将文本描述轉換為顔色。
提示
系統
您将獲得一種心情的描述,您的任務是生成與其匹配的顔色的 CSS 代碼。 使用名為“css_code”的單個鍵将輸出寫入 json。
用戶
黃昏時的藍天。
示例回答
{
"css_code": "background-color: #1a237e;"
}
API請求
{
"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
}
模拟一次文字消息對話。
提示
你:最近在忙些什麼?
朋友:在看老電影。
你:看到有趣的電影了嗎?
朋友:
回答示範
是的,我看了一部叫做《卡薩布蘭卡》的經典老電影。真的很好看!
從一段文本中提取聯系信息。
提示
從這封電子郵件中提取姓名和郵寄地址:
親愛的凱利,
在研讨會上與你交談很愉快。我覺得簡的演講非常好。
謝謝你送的書。這是我的地址:2111 Ash Lane,Crestview CA 92002
祝好,
瑪雅
姓名:
示例回答
瑪雅
郵寄地址:2111 Ash Lane,Crestview CA 92002
一個簡單的提示用于從文本中提取機場代碼。
提示
從這段文本中提取機場代碼:
文本:"我想從洛杉矶飛往邁阿密。"
機場代碼:LAX,MIA文本:"我想從奧蘭多飛往波士頓。"
機場代碼:
樣本回答
MCO,BOS
2023年7月25日更新:
從文本中提取機場代碼。
提示
系統
您将收到一條文本,您的任務是從中提取機場代碼。
用戶
我想要從 奧蘭多 飛往 波士頓
樣本回答
奧蘭多和波士頓的機場代碼分别是 MCO 和 BOS。
API請求
{
"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
}
生成一份科幻小說的書單,當列出第10本書時停止。
提示
列出10本科幻小說:
樣本回應
1. 《1984年》 喬治·奧威爾著
2. 《世界大戰》 H.G. 威爾斯著
3. 《沙丘》 弗蘭克·赫伯特著
4. 《科學怪人》 瑪麗·雪萊著
5. 《安德的遊戲》 奧森·斯科特·卡德著
6. 《銀河系漫遊指南》 道格拉斯·亞當斯著
7. 《火星編年史》 雷·布萊伯著
8. 《美麗新世界》 奧爾德斯·赫胥黎著
9. 《仿生人會夢見電子羊嗎?》 菲利普·K·狄克著
10. 《我,機器人》 以撒·阿西莫夫著
這是一個回答有關語言模型問題的問答式聊天機器人。
提示
ML導師:我是一個ML/AI語言模型導師
你:什麼是語言模型?
ML導師:語言模型是一個統計模型,它描述了給定前面的一些詞後,後面一個詞的概率。
你:什麼是統計模型?
樣本回應
ML導師:統計模型是對現實世界現象的數學表示。它被用來根據數據做出預測或決策。統計模型使用概率和統計來對數據做出推斷。
創建包含各種數據的電子表格。這是一個長的提示,但非常靈活。輸出可以被複制+粘貼到文本文件中,并保存為帶有管道分隔符的.csv文件。
提示
一個兩列的電子表格,包含頂級科幻電影的名稱和發行年份:
标題 | 發行年份
樣本回應
異形 | 1979
銀翼殺手 | 1982
終結者 | 1984
黑客帝國 | 1999
阿凡達 | 2009
星際穿越 | 2014
機械姬 | 2015
降臨 | 2016
頭号玩家 | 2018
2023年7月25日更新:
API請求
{
"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