序
AI工具整理
基于 AI 的画图能力，有人让它创建大量的“填色本
花费： 免费版只有 25 generations，后面再用就需要升级付费版
Use Midjourney to generate and publish coloring books – AiTuts
使用步骤
How to run Meta’s LLaMA on your computer (Windows, Linux tutorial) – AiTuts
不仅可以使用 ChatGPT 的模型，也可以使用好几个其他的大语言模型
浏览器 翻译插件
帮助我快速总结视频内容，再来决定是否要看
chrome.google.com/webstore/de…
通过 AI 辅助你来读论文
没有创作灵感？让 AI 给些建议
画图工具
Midjourney、Dall-E 2 这样的画图工具
有效的提示语
chrome.google.com/webstore/de…
代码
调用openai 处理文本
import openai
import os
openai.api_key = os.environ.get("OPENAI_API_KEY")
COMPLETION_MODEL = "text-davinci-003"
prompt = """
Consideration product : 工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具
1. Compose human readable product title used on Amazon in english within 20 words.
2. Write 5 selling points for the products in Amazon.
3. Evaluate a price range for this product in U.S.
4. 使用中文 介绍一下
Output the result in json format with three properties called title, selling_points and price_range and chinese
"""
def get_response(prompt):
completions = openai.Completion.create (
engine=COMPLETION_MODEL,
prompt=prompt,
max_tokens=512,
n=1,
stop=None,
temperature=0.0,
)
message = completions.choices[0].text
return message
print(get_response(prompt))
返回
{
"title": "PVC Inflatable Glow Frog Night Market Hot Selling Inflatable Toy for Kids Water Toy",
"selling_points": [
"Made of durable PVC material",
"Inflatable design for easy storage and transport",
"Glow in the dark for added fun",
"Perfect for pool parties and beach trips",
"Great gift for kids"
],
"price_range": "$10 - $20",
"chinese": "这款PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具，采用耐用的PVC材料制成，充气设计，便于存放和运输，夜晚发光，添加更多乐趣，适合游泳池派对和海滩旅行，是孩子们的礼物。"
}
Process finished with exit code 0
openai 还能做
- 理解你的语义去生成文本
- 翻译
- 利用 AI 自己有的知识给商品定价
- 根据我们的要求把我们想要的结果，通过一个 JSON 结构化地返回给我们
openai的例子
openai的api接口，简单归纳就是两类：complete（给予答案）和embedding（文本input转化为向量）
“情感分析”问题，是指我们根据一段文字，去判断它的态度是正面的还是负面的
传统的解决方案就是把它当成是一个分类问题，也就是先拿一部分评论数据，人工标注一下这些评论是正面还是负面的。如果有个用户说“这家餐馆真好吃”，那么就标注成“正面情感”。如果有个用户说“这个手机质量不好”，那么就把对应的评论标注成负面的。
我们把标注好的数据，喂给一个机器学习模型，训练出一组参数。然后把剩下的没有人工标注过的数据也拿给训练好的模型计算一下。模型就会给你一个分数或者概率，告诉你这一段评论的感情是正面的，还是负面的。可以用来做情感分析的模型有很多，这些算法背后都是基于某一个数学模型。比如，很多教科书里，就会教你用朴素贝叶斯算法来进行垃圾邮件分类。朴素贝叶斯的模型，就是简单地统计每个单词和好评差评之间的条件概率。一般来说，如果一个词语在差评里出现的概率比好评里高得多，那这个词语所在的评论，就更有可能是一个差评。
传统方法的挑战：
特征工程与模型调参但这些传统的机器学习算法，想要取得好的效果，还是颇有门槛的。除了要知道有哪些算法可以用，还有两方面的工作非常依赖经验。
特征工程
特征工程的方式有很多，比如去除停用词，也就是“的地得”这样的词语，去掉过于低频的词语，比如一些偶尔出现的专有名词。或者对于有些词语特征采用 TF-IDF（词频 – 逆文档频率）这样的统计特征，还有在英语里面对不同时态的单词统一换成现在时。
不同的特征工程方式，在不同的问题上效果不一样，比如我们做情感分析，可能就需要保留标点符号，因为像“！”这样的符号往往蕴含着强烈的情感特征。但是，这些种种细微的技巧，让我们在想要解决一个简单的情感分析问题时，也需要撰写大量文本处理的代码，还要了解针对当前特定场景的技巧，这非常依赖工程师的经验。
机器学习相关经验
需要将数据集切分成训练（Training）、验证（Validation）、测试（Test）三组数据，然后通过 AUC 或者混淆矩阵（Confusion Matrix）来衡量效果。如果数据量不够多，为了训练效果的稳定性，可能需要采用 K-Fold 的方式来进行训练。
