【探索AI潜能，连结现代通讯】相隔万里，我们与AI一同赏月。

1️⃣写在前面
近年来，AI得到了迅猛的发展，尤其是大模型的出现受到了广泛的关注和讨论。ChatGPT、文心一言等纷纷登场，可谓是百家争鸣❗

而AI大模型所延申出的子项目如AI绘画、AI写作等，在各自的领域展示出了惊人的潜力⚙️。

最圆的月亮在中秋，最好的团聚在家里 。然而许多人为生活工作奔波，难得与家人相聚。

再有将近两周就是中秋节了，为此，让我们用AI创造出一个赏月网页，致故乡的那轮明月。

2️⃣效果展示
我在学习完人工智能相关知识后使用AI大模型制作的中秋赏月页面如图所示：

3️⃣AI的应用
❔俗话说：“知其然知其所以然”。 只有知道我们所使用的Chatgpt、AI绘画等AI工具的原理，才能使其更好地为我们服务。

在制作本次中秋赏月界面的过程中，博主学习到了人工智能领域中自然语言处理、强化学习、对抗生成网络等技术并做了一个总结，接下来让我们一起看看。

自然语言处理
✒️本文中赏月页面的HTML、css及JavaScript等源代码均由ChatGPT提供，具体形式是通过与人工智能模型的问答得出的。

️部分截图如下所示：

那么，在我们发出询问到ChatGPT应答的过程中，都发生了什么⁉️涉及到了哪些AI底层技术⁉️

首先我们要介绍的是自然语言处理技术。

️自然语言处理是人工智能领域的一个重要子领域，旨在使计算机能够理解和处理人类的自然语言。

通俗来说，自然语言处理就是让计算机懂得人类语言，并与人类进行交互。

像我们日常使用的 Siri、小布、小爱同学，都是应用自然语言处理技术的新一代AI模型。只要你发出问答或命令，它们都能很好地理解并作出下一步应答。

❔如图为一种基于自然语言处理的问答流程，这与人工智能问答流程是没有差别的：

⌨️博主给出学习人工智能相关知识中涉及到的部分自然语言处理代码，让大家有一个更深入的了解：

# 使用 Python 中的 nltk 库进行情感分析
from nltk.sentiment import SentimentIntensityAnalyzer

text = "I love this movie!"
analyzer = SentimentIntensityAnalyzer()
sentiment_scores = analyzer.polarity_scores(text)

print(sentiment_scores)
1
2
3
4
5
6
7
8
生成对抗网络（GAN）
在应答过程中，还涉及到了 AI 领域 的生成对抗网络技术。 这个技术有什么用呢？

⏰简单来说，就像老板不断让你修改方案一样，长久的修改、提交、修改、提交之后，你的方案就会得到老板和客户的一致认同。而这就是这个技术的浅显原理。

⚙️生成对抗网络包含一个生成模型和一个判别模型。生成模型负责捕捉样本数据的分布️，而判别模型则判别输入是真实数据还是生成的样本。

这个模型的优化过程是一个 “博弈” 问题，最终使得生成模型能够估测出样本数据的分布。

举个例子， 如果我们想要生成逼真的猫的图像。可以先准备一个猫的图像作为样本。

然后，生成器网络将生成一张虚假的猫图像。判别器网络将接收真实猫图像和生成的猫图像，并尝试区分它们。

随着训练的进行，生成器网络逐渐学会生成更逼真的猫图像，以至于无法区分它们是真实的还是生成的。

⭐️在ChatGPT中也是一样，当用户得不到所需的内容时，向ChatGPT提出反馈，直到ChatGPT给出足够完美的方案为止。

在这个过程中，ChatGPT就得到了训练。

卷积神经网络
在使用AI绘画工具制作网页背景时，我们会很惊奇地发现AI绘画生成图像极快（以秒为单位！）且重合率极高，而这背后与AI卷积神经网络息息相关。

卷积神经网络通过组合卷积层和池化层，能够从图像中提取特征并自动学习。卷积操作将信息与卷积核进行运算，提取不同位置的特征。

而池化层则对特征图进行下采样，保留最重要的信息。从而使CNN提取出更高级别的特征，可用于图像的检测和分割等任务。 从下图中可以看到，AI作画是十分优质的：

4️⃣代码实现
由于代码较为简单，流程也并不复杂，就不再一一详述。

⌨️朋友们可以在桌面新建一个赏月.html文件，HTML文件可以通过浏览器来解析和显示，将其中的文本、图像、链接等内容呈现给我们。

创建成功后，将以下代码复制粘贴到文件中：

       
 


 

   

中秋谁与共孤光，把盏凄然北望。

 

 

   

人有悲欢离合，月有阴晴圆缺。

 

 

   

今夜月明人尽望，不知秋思落谁家。

 

 

   

此生此夜不长好,明月明年何处看。

 

 

   

愿我如星君如月，夜夜流光相皎洁。