我用ChatGPT写神经网络：一字不改，结果竟然很好用

 

AI 写 AI 的速度比我们预期的还要快。自从去年底推出以来，对话式 AI 模型 ChatGPT 已在整个社区中引发轰动。

ChatGPT 的确是一个令人惊叹的工具，它宛如一个“潘多拉魔盒”。一旦找到合适的使用方式，你可能会发现自己再也离不开它。

作为一个全能选手，人们对 ChatGPT 的使用方式多种多样，既有用它来撰写论文，也有人让它陪聊，这些都是常见的玩法。如果再大胆一些，既然 ChatGPT 是 AI 的“王者”，那么它是否能自己写出一个 AI 呢？

最近，一位机器学习领域的博主突发奇想，决定让 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。尽管这个手写数字数据集逐渐被淘汰，但它的重要性依然显著，因为许多人在学习深度学习时，都是以 MNIST 作为第一组数据集来验证算法的。

话不多说，作者立刻着手进行。博主让 ChatGPT 生成了一段代码，代码看起来完美无瑕，甚至无需修改任何内容，这是个不错的开端。

ChatGPT 选择了分类交叉熵作为损失函数。作者提出要重写这一部分代码，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，但博主希望使用卷积层。因此，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）。

在最终模型的评估阶段，作者引导 ChatGPT 使用测试集编写评估代码，结果令人满意，且 ChatGPT 的每一次回复都附带详细解释。例如，在这次评估中，它这样描述：“‘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，输出了测试的准确性，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，作者又请求 ChatGPT 将其修改为训练数据的 20%。

博主还希望使用更小的 batch 以及较少的训练 epoch。虽然这项任务可以在不借助 ChatGPT 的情况下完成，但他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。”

为了展示数据集中一些示例，作者让 ChatGPT 编写代码以输出图像与标签的结合，生成的代码也非常完美，能够展示 20 张图像的合集。

在构建模型时，查看其结构也是必要的。如果向 ChatGPT 提出这个问题，得到的回复是：

ChatGPT 给出了模型的总结：

模型的总结非常有用，但博主更想直观地看到模型结构图。因此他继续询问：

最终，回复结果让人满意。接下来便是准备部署模型，博主让 ChatGPT 将模型保存到磁盘。

现在，博主想创建一个使用保存模型进行预测的类。这个任务的提问方式非常有趣，而 ChatGPT 提供的解决方案也毫无瑕疵。

最后，作者让 ChatGPT 展示一个示例，使用这个预测类来对 10 个随机图像的标签进行预测。

为了完成这个，博主请 ChatGPT 显示一个混淆矩阵：

不可否认，ChatGPT 使用的样式既简洁又美观。

完成所有实验后，博主公开了所有 ChatGPT 生成的代码，你也可以尝试一下：

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

—

### 见解

本文展示了 ChatGPT 能够承担起构建和调用 AI 任务的能力，显示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 说明了其在实际开发环节中的重要性。这不仅是一次技术的探索，也揭示了 AI 在编程、模型构建和评估等方面的高效性和可靠性。

在深度学习的实际应用中，借助 ChatGPT 等工具，研究者和开发者能够更高效地进行实验、调试和优化，从而加快机器学习模型的开发进程。这种互动式的协作无疑为整个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。