chatgpt catgpt

近期比较热门的chatgpt 可谓是家喻户晓，本文就简单介绍如何使用chatgpt，顺便介绍一下国内CSDN的catgpt（前几天csdn的gpt还叫chatgpt....）。

1. chatgpt 

对话框内输入你想让它为你做的事即可，就这么简单！

 

“帮我写一个随机森林python代码”

“帮我写一个python自动化测试脚本”

 可以说很强大，当然除了写代码，你还可以让它给你写别的....懂吧

 

2. catgpt

catgpt是csdn研发的生成式AI产品，可以帮助你进行代码撰写，内容创作..等，相比chatgpt不需要，可以直接使用。当然，有些问题，它没有chatgpt回答的预期效果好，有些问题比chatgpt回答的详细，所以各有利弊。

目前只测试了部分对话功能，其他的没有测试，所以比较片面，本文主要介绍如何使用这个强大的偷懒神器！

 

 

 

 3. chatgpt vs catgpt 案例

3.1  写代码

“帮我写一个随机森林python代码，并绘制训练损失变化图”

catgpt 让它写了三次，才有一个可以运行成功，其他的会出现报错情况。具体如下：

 chatgpt一次就写成功，还是我们预期想要的结果，运行顺畅，复制粘贴run。

# 引入需要用到的库
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 创建一个数据集，用于演示代码
X, y = make_regression(n_samples=1000, n_features=10, n_informative=5, noise=5, random_state=0)

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=0)

# 创建一个随机森林回归器，同时也设置了oob_score为True
rfc = RandomForestRegressor(n_estimators=100, random_state=0, oob_score=True)

# 训练随机森林回归器，并记录训练损失变化
train_losses = []
for i in range(1, 101):
    rfc.set_params(n_estimators=i)
    rfc.fit(X_train, y_train)
    train_losses.append(rfc.oob_score_)

# 绘制训练损失变化图
plt.plot(range(1, 101), train_losses)
plt.title('Random Forest Training Losses')
plt.xlabel('Number of Estimators')
plt.ylabel('OOB Score')
plt.show()

3.2 读代码

catgpt

这里随便找了一个项目中的几行代码，让chatgpt和catgpt帮我们解释一下代码的含义，可以帮我们迅速读懂别人代码，以便调试bug。

 

chatgpt

 

 

4. 总结

总之，无论是chatgpt 还是catgpt等各种通过gpt训练的智能AI助手，回答的越详细可能离我们预期的效果更好，反正都能给我们解决一些难题，都很赞，都很强。