《AI大模型之美》笔记备忘_mlpregressor 中文api

《AI大模型之美》

作者Github地址：xuwenhao (Stanley Xu) · GitHub

工具软件推荐：

彩云小译（谷歌插件）：可在线将英文网页无损对照翻译中文，首月免费。

SCISPACE：https://typeset.io/  辅助读论文网站,可局部圈出来让AI解释、可让AI整理中心思想等。——助教

Poe：Quora发布，可以使用包括chatgpt的好几个大语言模型。

Glarity：快速总结视频内容的插件，免费，有chatgpt账号即可

Github Copilot：代码神器，通过把具体需求描述给Chatgpt就可得到一段可用代码。十之八九是对的，只需少量修改。需要$10/月。https://github.com/github-copilot/signup

notion.ai:找灵感、头脑风暴的新ideas和角度。Notion – The all-in-one workspace for your notes, tasks, wikis, and databases.

Colab:  在线使用Jupyterlab，无需本地搭建环境  https://colab.research.google.com/https://colab.research.google.com/

一些利用chatgpt的技巧：

一、在新领域、不熟悉的名词、概念，让他去解释。——助教

二、网上一段不熟悉的代码粘给他，让AI去为你解释，远远快过查文档。——助教

需要练习的to-do-list：

OPENAI/常规方法

2.1重新出发，学会和AI说话——调通系统，完成和chatgpt 的API_KEY 首次连接，返回数据。/完成Colab的使用。/

2.4模型性能大比拼——利用不同预训练模型处理T5和GPT-3

利用Colab制作T5模型，训练练习：（Colab安装各种包速度都极快，百兆/s以上）

1，利用以下代码在Colab中安装包：

!pip install openai
 
!pip install transformers
 
! uname -a  # 查看系统  x86_64 GNU/Linux
 
! python --version  # 查看python版本 Python 3.6.7
 
! nvcc --version # 查看cuda版本 release 9.2, V9.2.148
 
!pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 #利用上述三行代码返回值，到pytorch官网找安装链接拷贝到此
 
!pip install torchvision

安装pytorch如出错，参考链接：https://www.cnblogs.com/jiaxin359/p/10234946.html

注意，colab的文件存在：/content/drive/MyDrive/Colab Notebooks文件夹里。如果有数据就要上传到此处，但上传后只是一次性的，运行完就自动删除。[20230531,无法按照如下链接方式上传data文件，原因未知]如何在colab中加载数据集并且运行文件_colab加载大型数据集_Clownorange的博客-CSDN博客

接下来：使用终极解决方案，即用colab访问云盘的东东：事先把课程相关资料传到Google云盘，然后按照路径规则就可以随意访问。图解colab读取Google Drive 文件 - 知乎

如下就是提取云盘的data文件进行运算。

注意，在运行11_colab_chatglm_opensource案例时，假若colab没调到GPU模式，会有各种报错。如果GPU模式不让用，就再等一段时间就可以再次使用了。

错误集：

1，jupyter notebook打开后，发现版本不对。

解决方案：在conda中先打开Testpy310虚拟环境，然后在虚拟环境中输入jupyter notebook，即可在该环境中打开jupyter notebook。（不知为何今晚从快捷方式打开jupyter notebook后，再改kernel不行？）

一些Prompt使用技巧（Prompt工程）：

一、搭建一个学习版神经网络，由简单的两层隐藏层：

比如，想搭建一个最简单的四层神经网络，你可以这样和chatgpt说：

"我有一个bunch形式的数据集名字为bunch。bunch.data是由64个样本组成，每个样本有三个特征值。buch.target是由64个样本组成，每个样本有6个目标值。我想用sklearn搭建一个神经网络，总共有四层，包含输入层、两层隐藏层（分别为10,10个神经元）和输出层。输入三个特征值来预测六个目标值。我需要将bunch分割为训练集和测试集，测试集占比30%。另外，模型评估利用准确率作为标准，并且实时打印出来曲线，请给我python的完整代码。"

当然， 有几个前提默认了，即数据都被搞的干净了。例如：

1，bunch中的数据都去掉了类似"“>”这种的字符串。csv文件也是干净的utf-8

2，bunch也被强制转换成了np.array数组）。如果出错，问问chatgpt该怎么做，也是个不错的快速找代码bug的方法。

以下是chatgpt给你写的生成代码示例：

import pandas as pd
from sklearn.datasets import load_svmlight_file
from sklearn.datasets import dump_svmlight_file
from sklearn.utils import Bunch
 
data = pd.read_csv('file.csv', skiprows = 1)
X = data.iloc[:, 1:4]
y = data.iloc[:, 4:]
bunch = Bunch(data=X, target=y)
bunch.feature_names=['A', 'B', 'C']
bunch.target_names = ['T1', 'T2', 'T3', 'T4', 'T5', 'HAZ']
 
import numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt
 
# 读取数据, 把数据中的“≥”号去掉，容易报错
remove_greater_than = np.frompyfunc(lambda x: float(x.replace('≥', '')) if isinstance(x, str) else x, 1, 1)
X = remove_greater_than(bunch.data).astype(float)
y = remove_greater_than(bunch.target).astype(float)
 
 
# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
 
# 搭建神经网络模型
model = MLPRegressor(hidden_layer_sizes=(10, 10), max_iter=1000)
 
# 训练模型
model.fit(X_train, y_train)
 
# 预测结果
y_pred_train = model.predict(X_train)
y_pred_test = model.predict(X_test)
 
# 计算均方差
train_mse = mean_squared_error(y_train, y_pred_train)
test_mse = mean_squared_error(y_test, y_pred_test)
print("训练集均方差：", train_mse)
print("测试集均方差：", test_mse)
 
# 绘制误差随迭代次数的变化曲线
train_loss_curve = model.loss_curve_
plt.plot(train_loss_curve)
plt.xlabel('迭代次数')
plt.ylabel('损失')
plt.title('训练集损失曲线')
plt.show()

一般来说，好的chatgpt助力需要以下几点：

一、足够好和清晰完整的prompt描述，让他充分了解你的需求。【非常重要！！！！！】

二、可以先让chatgpt生个随机的数据集，形状和我们已有数据集相同，先把它构建的网络模型跑通。【先run起来，跑通也非常重要】

三、搞干净你的数据集，并去替换第二步中的数据，thousand years later。

在prompt工程中，一般需要结构化你的需求，比如2017年论文Prediction of temperature and HAZ in the thermal-based processes with Gaussian heat中的例子，如果你要将论文所做的工作抽象，也许是下面这样写prompt：

‘’‘

Prompt： 我想用python写一个算法实现用GA遗传算法去优化ANN的三个参数，找到最佳ANN配置的程序。并以横坐标GA的代数，纵坐标ANN的MSE误差函数
画数据图。具体流程见下面：
'''
一、数据处理 随机生成一个64行，9列的数据，并且学习sklearn内部的数据集格式，将文件前三列赋值给bunch.data变量，
将文件后六列赋值给bunch.target。 这样我们得到一个bunch形式的数据集名字为bunch。bunch.data是由64个样本组成，
每个样本有三个特征值。buch.target是由64个样本组成，每个样本有6个目标值。

二、搭建神经网络ANN
2.1用sklearn搭建一个神经网络ANN，总共有三层，包含一层输入层、一层隐藏层、和一层输出层。其中隐藏层神经元数量Nh、动量系数B、和学习率n
这三个变量由第三步决定进行确定 
2.2神经网络的初始权重均在[-0.5,0.5]之间，输入三个特征值来预测六个目标值。我需要将第一步数据处理得到的bunch数据集分割为训练集和测试集，
测试集占比30%。

三、搭建遗传算法GA
使用遗传算法对ANN中的隐藏层神经元数量Nh(限制在[1,10])、动量系数B(限制在[0，1])和学习率n（限制在[0，1]这三个变量进行优化。 
遗传算法的相关参数值如下：
Population number: Npop=100；
Probablity crossover: Pc=0.95；
Probability Mutation: Pm=0.01；
Generation Number： Ngen=65；
Iteration: 4000；
GA的选优方法算子为锦标赛和轮盘赌法，交叉算子是一点型，突变算子为均匀型。

四、主干逻辑：
以下，我将用分步和类似流程图的方式讲主干逻辑。

1，开始：初始化GA。
2，随机生成几个初始种群，作为第一代每个种群代表不同的ANN三个参数：隐藏层神经元数量Nh(限制在[1,10])、动量系数B(限制在[0，1])
和学习率n（限制在[0，1] 
3，将这几个种群分别计算ANN的MSE误差函数。
4，利用锦标赛和轮盘赌方法选出最好的ANN参数结构，并存下来最好个体的这三个参数。 
5，判断最好个体的这三个参数，带入ANN后是否达到我们想要的误差率目标。 
如果达到目标：跳转到步骤8 如果未达到目标：跳转到步骤6
6、选优成为父代后，复制、突变、交叉运算符 
7.生成新的种群，然后返回步骤3。
8.停止遗传算法训练。 
9、开始反向传播训练 
10、BPNN预测 
11.在横坐标上绘制GA的每一代最好的MSE误差函数数据图，在纵坐标上绘制神经网络。  
'''
注意，以上直接给我可以一键拷贝粘贴运行的python代码

‘’‘

当你运转以上prompt的时候，你也许会发现：

一、chatgpt每次生成的都不同，且很多连跑通都不行。跑不通的就果断舍弃，连在此基础上修改的意义都没有。

二、有些跑通的（至少没少逻辑步骤且不报错。）存下来作为母版。，里面缺一些你要的步骤，得自己加上。

三、pormpt在chatgpt和在bingAI上的差距非常大。相对来说，BingAI的生成能力和质量差一个数量级。用BingAI做这种事情就是浪费时间。