使用DevChat 插件,从零开始搭建自己的神经网络模型

一、简述DevChat

DevChat是什么?

        简说,DevChat可以帮零基础的小白写代码和改bug等

        DevChat是一个集成了多种主流大模型的AI编程工具,专注于提升程序员的编程效率。它整合了ChatGPT、Codex等热门AI大模型,支持自然语言编程、代码编写、代码生成、代码补全等功能。

        Devchat最大的优势是一站式服务,集成热门大模型,并且可以根据需求随心切换,省去了选择和整合不同AI模型的麻烦,无需过多配置就可以快速上手,从而全面提升开发效率。产品务实高效,近期还在QCon全球软件大会亮相,斩获众多圈内开发者的好评

为什么要选DevChat?

        新手必备神器,保证好用。让咱们写代码,不在汗流浃背。
        新手必备神器,保证好用。让咱们写代码,不在汗流浃背。
        新手必备神器,保证好用。让咱们写代码,不在汗流浃背。

        这个AI编程助手真的很强大,它能够兼容很多大模型,比如GPT-4、GPT-3.5、Claude2、文心一言等等。这意味着你可以根据不同的需求选择适合的模型来帮助你完成任务。而且,它的上下文控制非常精准,可以让你更好地掌控对话的流程。

        如果你需要处理一些复杂的任务,那么GPT-4绝对是你的首选,而如果是一些简单的任务,那么你也可以选择更经济的模型。这个助手可以让你自由选择,组合使用,以达到最佳的效果。       

        除此之外,这个助手还有很多实用的功能,比如提示词目录可以让你自定义提示词,让对话更加符合你的需求。同时,它还提供了灵活的Prompt模板管理,可以解答代码库的各类问题。

        这个产品的设计非常实用,反馈也非常快,你可以随时根据反馈进行调整。最重要的是,它可以自由生成代码生成文档,而不仅仅是简单的补全,这真的非常方便。

        最后,这个助手还对接了微软Azure服务,数据安全得到了保障,你可以放心使用。总的来说,这个AI编程助手真的非常强大,功能非常丰富,非常值得一试。

二、DevChat开始实战

获取 DevChat key。

进入DevChat的官方网站,进行注册,然后收到下面的邮件。这里红色框起来的就是DevChat key。先复制下,待会要用。

使用DevChat 插件,从零开始搭建自己的神经网络模型_第1张图片

安装DevChat

进入vscode,①点击插件按钮。②在搜索框输入devchat。③点击Install。

使用DevChat 插件,从零开始搭建自己的神经网络模型_第2张图片

安装好,①接着点击这个兔子图标②点击Set DevChat key③在输入框输入刚才邮件里获得的DevChat key。使用DevChat 插件,从零开始搭建自己的神经网络模型_第3张图片

使用DevChat

向DevChat进行提问,如果内容过多导致停顿了,说一下“继续”

使用DevChat 插件,从零开始搭建自己的神经网络模型_第4张图片

使用DevChat 插件,从零开始搭建自己的神经网络模型_第5张图片

使用DevChat 插件,从零开始搭建自己的神经网络模型_第6张图片

让DevChat帮忙解释代码

使用DevChat 插件,从零开始搭建自己的神经网络模型_第7张图片

DevChat给的代码

我这里就不修改了代码了,使用torch.randn生成的随机数据,进行测试代码。

大家可以尝试一下向DevChat提问,让DevChat把你修改代码,添加注释。哪行代码不懂了,也可以直接问DevChat,让DevChat解释。DevChat成为你的优秀助手。

真的没有夸大其词,这个DevChat,是的是神器

import torch
import torch.nn as nn

# 定义网络模型
class LinearClassifier(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearClassifier, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)
    
    def forward(self, x):
        outputs = self.linear(x)
        return outputs

# 定义输入和输出维度    
input_dim = 28 * 28 # 输入图像大小
output_dim = 2 # 二分类问题
# 实例化网络
model = LinearClassifier(input_dim, output_dim)

# 生成随机输入和目标输出
x = torch.randn(64, input_dim) 
y = torch.randint(0, 2, (64,)) 

# 前向传播
outputs = model(x)

# 计算损失
criterion = nn.CrossEntropyLoss()
loss = criterion(outputs, y)

# 反向传播
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) 
optimizer.zero_grad()
loss.backward()
optimizer.step

optimizer.step()

# 训练循环
for epoch in range(100):
    # 前向传播
    outputs = model(x)
    loss = criterion(outputs, y)
    
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    print('Epoch [{}/100], Loss: {:.4f}'
          .format(epoch+1, loss.item()))

# 保存和加载模型
torch.save(model.state_dict(), 'model.pth')  
model.load_state_dict(torch.load('model.pth'))

代码运行结果

使用DevChat 插件,从零开始搭建自己的神经网络模型_第8张图片

三、KOL粉丝专属福利介绍

        福利来了!!!福利来了!!!福利来了!!!

        专属红包兑换码,11月31日之前,粉丝可借助邀请码在Devchat兑换10元余额

        这波羊毛 ,大家可薅啊

        在我拿到红包兑换码的第一时间就发出来

        红包兑换码,私信我,我发给你

四、专属下载链接

         在我拿到专属下载链接的第一时间就发出来

        专属下载链接来了,两种方式:①点击专属链接。②扫描下方二维码

你可能感兴趣的:(人工智能)