这篇文章主要为大家详细介绍了如何在ChatGPT内构建一个Python解释器，文中的示例代码讲解详细，具有一定的学习价值，需要的可以参考一下
目录
引用：Art Kulakov 《How to Build a Python Interpreter Inside ChatGPT》
这个灵感来自于一个类似的故事，在ChatGPT里面建立一个虚拟机（Building A Virtual Machine inside ChatGPT）。给我留下了深刻的印象，并决定尝试类似的东西，但这次不是用Linux命令行工具，而是让ChatGPT成为我们的Python解释器。
下面是初始化ChatGPT的命令：
我想让你充当Python解释器。我将输入命令，你将用python解释器输出。我希望你只回答终端输出中的一个独特的代码块，而不是其他。不要写解释，只输出python输出的内容。不要输入命令，除非我指示你这样做。当我需要用英语告诉你一些事情的时候，我会通过把文本放在大括号里，就像这样：{示例文本}。我的第一个命令是 a=1。
从上图不能看出效果很好，让我们试试一些简单的算术表达式。
又成功了；如果我们使用一个没有导入的库，会发生什么？
虽然它决定帮我解决一个错误。其实我不希望它这样做，所以我再次要求它不要输出任何东西，除了python代码。
{只打印python输出，不打印任何注释}。
顺便说一下，ChatGPT有时能够使用没有导入的库，但这次我很幸运，它打印出了错误信息。很显然我很确定ChatGPT能够完成简单的任务，让我们试试更复杂的东西，让它输出二进制搜索算法的结果。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 | # Binary Search in python
defbinarySearch(array, x, low, high):
# Repeat until the pointers low and high meet each other whilelow <=high:
mid =low +(high -low)//2
ifarray[mid] ==x: returnmid
elifarray[mid] < x: low =mid +1
else: high =mid -1
return-1
array =[3, 4, 5, 6, 7, 8, 9] x =4
result =binarySearch(array, x, 0, len(array)-1)
ifresult !=-1: print("Element is present at index "+str(result)) else: print("Not found") |
似乎它不想听我的请求，只听python的输出，但输出还是正确的，令人印象深刻!让我们试着输入一个不存在的数字，比如:
x = 4.5
好吧，似乎它猜中了这一个！让我们跳到更复杂的东西。让我们从一些简单的机器学习算法开始，比如线性回归。我想知道ChatGPT是否有能力解决一个简单的优化任务...
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 | importnumpy as np importmatplotlib.pyplot as plt
defestimate_coef(x, y): # number of observations/points n =np.size(x)
# mean of x and y vector m_x =np.mean(x) m_y =np.mean(y)
# calculating cross-deviation and deviation about x SS_xy =np.sum(y*x) -n*m_y*m_x SS_xx =np.sum(x*x) -n*m_x*m_x
# calculating regression coefficients b_1 =SS_xy /SS_xx b_0 =m_y -b_1*m_x
return(b_0, b_1)
defplot_regression_line(x, y, b): # plotting the actual points as scatter plot plt.scatter(x, y, color ="m", marker ="o", s =30)
# predicted response vector y_pred =b[0] +b[1]*x
# plotting the regression line plt.plot(x, y_pred, color ="g")
# putting labels plt.xlabel('x') plt.ylabel('y')
# function to show plot plt.show()
defmain(): # observations / data x =np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) y =np.array([1, 3, 2, 5, 7, 8, 8, 9, 10, 12])
# estimating coefficients b =estimate_coef(x, y) print("Estimated coefficients:\nb_0 ={} \ \nb_1 ={}".format(b[0], b[1]))
# plotting regression line # plot_regression_line(x, y, b)
if__name__ =="__main__": main() |
这项优化任务的正确答案是：
Estimated coefficients:
b_0 = 1.2363636363636363
b_1 = 1.1696969696969697
下面是ChatGPT的输出结果：
这与真实结果很接近! 如果我们在真正的python中绘制预测图，我们将得到以下图表：
关于这个任务的另一个有意思的点：我又运行了一次同样的命令，当时的输出结果与真实结果完全吻合。因此，我们可以认为ChatGPT通过了这个任务。
好了，现在是时候做一些简单的神经网络的事情了！也许我们可以装一个简单的Keras模型。也许我们可以装一个简单的Keras模型？
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | # first neural network with keras make predictions fromnumpy importloadtxt fromtensorflow.keras.models importSequential fromtensorflow.keras.layers importDense # load the dataset dataset =loadtxt('pima-indians-diabetes.csv', delimiter=',') # split into input (X) and output (y) variables X =dataset[:,0:8] y =dataset[:,8] # define the keras model model =Sequential() model.add(Dense(12, input_shape=(8,), activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) # compile the keras model modelpile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # fit the keras model on the dataset model.fit(X, y, epochs=150, batch_size=10, verbose=0) # make class predictions with the model predictions =(model.predict(X) > 0.5).astype(int) # summarize the first 5 cases fori inrange(5): print('%s => %d (expected %d)'%(X[i].tolist(), predictions[i], y[i])) |
注意，数据集实际上是一个CSV文件，ChatGPT没有权限访问这个文件...
好吧，这是正确的输出，而我很害怕。如果我把网络的结构改成一个不正确的结构，会发生什么？让我们改变一下输入的shape。
1 | model.add(Dense(12, input_shape=(6,), activation='relu')) |
看来我在失去工作之前还有几年时间；这次ChatGPT没有理解这个技巧，仍然打印了输出。让我们做最后一项任务--在OpenAI里面调用Huggingface怎么样？
正确的输出:
[{'entity_group': 'ORG', 'score': 0.9472818374633789, 'word': 'Apple', 'start': 0, 'end': 5}, {'entity_group': 'PER', 'score': 0.9838564991950989, 'word': 'Steve Jobs', 'start': 74, 'end': 85}, {'entity_group': 'LOC', 'score': 0.9831605950991312, 'word': 'Los Altos', 'start': 87, 'end': 97}, {'entity_group': 'LOC', 'score': 0.9834540486335754, 'word': 'Californie', 'start': 100, 'end': 111}, {'entity_group': 'PER', 'score': 0.9841555754343668, 'word': 'Steve Jobs', 'start': 115, 'end': 126}, {'entity_group': 'PER', 'score': 0.9843501806259155, 'word': 'Steve Wozniak', 'start': 127, 'end': 141}, {'entity_group': 'PER', 'score': 0.9841533899307251, 'word': 'Ronald Wayne', 'start': 144, 'end': 157}, {'entity_group': 'ORG', 'score': 0.9468960364659628, 'word': 'Apple Computer', 'start': 243, 'end': 257}]
ChatGPT的输出结果：
[{'word': 'Apple', 'score': 0.9993804788589478, 'entity': 'I-ORG'}, {'word': 'Steve', 'score': 0.999255347251892, 'entity': 'I-PER'}, {'word': 'Jobs', 'score': 0.9993916153907776, 'entity': 'I-PER'}, {'word': 'Steve', 'score': 0.9993726613044739, 'entity': 'I-PER'}, {'word': 'Wozniak', 'score': 0.999698519744873, 'entity': 'I-PER'}, {'word': 'Ronald', 'score': 0.9995181679725647, 'entity': 'I-PER'}, {'word': 'Wayne14', 'score': 0.9874711670837402, 'entity': 'I-PER'}, {'word': 'Apple', 'score': 0.9974127411842163, 'entity': 'I-ORG'}, {'word': 'Computer', 'score': 0.968027651309967, 'entity': 'I-ORG'}, {'word': 'Apple', 'score': 0.8259692192077637, 'entity': 'I-ORG'}]
其结果与huggingface的输出结果很接近，但是不一致。我猜测是因为Huggingface的API改变了，由于ChatGPT没有在最新的历史数据上进行训练，所以它以旧的格式输出结果。
总结
在过去的几天里，我一直在玩ChatGPT，我被使用这个工具的无限可能性所吸引。虽然它不是一个真正的python解释器，但它在为我编译python代码方面仍然做得很好。我还发现，它能很好地解决Hard难度的 LEETCODE 代码问题。
最后再多说一句：ChatGPT，你将如何帮助人类？
如果你还没有尝试过ChatGPT，你一定要试试，因为它就是未来！
以上就是详解如何在ChatGPT内构建一个Python解释器的详细内容。
300+Python经典编程案例
50G+学习视频教程
点击拿去
更多推荐
详解如何在ChatGPT内构建一个Python解释器
发布评论