我用ChatGPT写神经网络：一字不改，结果竟然很好用

### AI 生成 AI：ChatGPT 的构建与应用

自去年底推出以来，对话式 AI 模型 ChatGPT 已在整个社区引发了极大的轰动。它确实是一个令人惊叹的工具，宛若一个“潘多拉魔盒”，一旦找到合适的使用方式，可能会让你对其产生依赖。

作为全能助手，ChatGPT 的使用方式多种多样，从撰写论文到陪聊，这些都成为了常见的玩法。如果再大胆一些，既然 ChatGPT 是 AI 的“王者”，那么它是否能自己编写一个 AI 呢？

最近，一位机器学习领域的博主决定尝试这个想法，让 ChatGPT 构建一个神经网络，并使用 Keras 解决经典的 MNIST 问题。

MNIST 数据集是机器学习领域的经典案例。虽然这个手写数字数据集逐渐被现代数据集所取代，但它仍然具有重要意义，因为许多人在学习深度学习时，都是以 MNIST 作为验证算法的第一组数据集。

博主迅速展开了这一尝试，结果让人惊喜。ChatGPT 生成的代码看起来完美无瑕，甚至无需修改，这是一个不错的开端。

在选择损失函数时，ChatGPT 选用了分类交叉熵。博主要求重写这一部分代码，ChatGPT 随即将其替换为稀疏分类交叉熵，而更新后的代码依然能够正常运行，新的损失函数省略了标签的分类转换。

接下来，ChatGPT 生成的代码使用了全连接层，而博主期望能使用卷积层。于是，ChatGPT 根据指示进行了修改，增加了一个 Conv2D 层和一个最大池化层（MaxPooling layer）。

在最终的模型评估阶段，博主引导 ChatGPT 使用测试集编写评估代码，结果令人满意，且每一次回复都附带详细的解释。例如，在此次评估中，ChatGPT 解释道：“‘评估’方法接收测试数据和测试标签作为参数，并返回模型编译期间指定的损失和度量，输出测试的准确性，有助于了解模型对新数据的泛化能力。”

模型在训练期间使用了整个测试集作为验证数据。随后，博主又请求 ChatGPT 将其修改为训练数据的 20%。

博主还希望使用更小的 batch 及较少的训练 epoch。虽然这项任务可以在不借助 ChatGPT 的情况下完成，博主更愿意保持上下文的连贯性，因此还是将任务交给了 ChatGPT。

接下来，博主打算绘制训练过程中的训练与测试损失曲线图。ChatGPT 建议：“需要更改适合模型的线条，以捕获结果值。”

为了展示数据集中的一些示例，博主让 ChatGPT 编写代码输出图像与标签的结合，结果也非常完美，成功生成了 20 张图像的合集。

在构建模型时，查看其结构也是必要的。向 ChatGPT 提出这个问题后，它给出了模型的总结：

“模型摘要非常有用，但博主希望直观查看模型结构图。”于是他继续询问，最终得到了令人满意的回复。

之后，博主准备部署模型，让 ChatGPT 将模型保存到磁盘。

当博主想创建一个使用保存模型进行预测的类时，这项任务的提问方式引人注目，而 ChatGPT 提供的解决方案也毫无瑕疵。

最后，博主要求 ChatGPT 展示一个示例，使用这个预测类对 10 个随机图像的标签进行预测，还请求显示混淆矩阵。

不可否认，ChatGPT 的使用风格既简洁又美观。

完成所有实验后，博主将所有 ChatGPT 生成的代码公开，供大家尝试：

地址：[Google Colab](https://colab.research.google.com/drive/1JX1AVIfGtIlnLGqgHrK6WPylPhZvu9qe?usp=sharing)

—

### 见解

本文展示了 ChatGPT 在构建和调用 AI 任务中的能力，突显了这一强大工具的潜力和灵活性。通过与机器学习相关的具体应用，ChatGPT 在实际开发中展现了重要性，使得研究者和开发者能够更高效地进行实验、调试和优化，加速机器学习模型的开发进程。

这种互动式的协作不仅为技术社区带来了新的思路和方向，也预示着 AI 技术在未来将扮演越来越重要的角色。借助 ChatGPT 等工具，研究者可以更轻松地实现复杂任务，并进一步深入探索 AI 的潜力。这种技术进步无疑将推动整个领域的发展，形成更为广泛的应用场景。