与其焦虑自己的工作会不会被AI取代,还不如行动起来,抓住AI赛道的红利。
小悦最近也关注并使用着ChatGPT和AI绘画等工具。
最近就尝试了一些玩法:
1 通过关键字生成特定图片
通过以下关键字生成了 2042 年男足世界杯夺冠场景:
2042, the Chinese football team won the world championship, the players lifted the World Cup, the photo should have 2042
2 根据照片生成各种风格的头像
原照片(其实是通过关键字生成的) | 生成的头像 |
---|---|
当然,生成的照片跟原照片的相似程度,还有AI自行的创造程度,都是有参数可以调整的。
3 照片融合
通过这两张照片:
4 图生图
如下图,左边是4岁小孩画的画,右图是根据左图生成的迪士尼风格的画。
5 SQL 优化
可以点击跳转不用再手动调试SQL语句了!AI帮你轻松优化MySQL!
6 情感分析
通过下面的代码,来分析用户的评价是好评还是差评。
import openai
import os
from openai.embeddings_utils import cosine_similarity, get_embedding
# 获取访问open ai的密钥
openai.api_key = os.getenv("OPENAI_API_KEY")
# 选择使用最小的ada模型
EMBEDDING_MODEL = "text-embedding-ada-002"
# 获取"好评"和"差评"
positive_review = get_embedding("好评")
negative_review = get_embedding("差评")
example_1 = get_embedding("商家很负责任")
example_2 = get_embedding("知道你很忙,但每次也不必和我说话如此简单吧,不是嗯,就是好")
example_3 = get_embedding("在你家买的新西兰绿色奇异果,不是说是纯天然绿色食品吗?怎么叶子上一点虫眼都没有呢?多半是喷了农药的!")
example_4 = get_embedding("你寄过来的人参都有点发霉了")
example_5 = get_embedding("你卖的搓衣板我老婆很喜欢")
def get_score(sample_embedding):
return cosine_similarity(sample_embedding, positive_review) - cosine_similarity(sample_embedding, negative_review)
score_1 = get_score(example_1)
score_2 = get_score(example_2)
score_3 = get_score(example_3)
score_4 = get_score(example_4)
score_5 = get_score(example_5)
print(score_1)
print(score_2)
print(score_3)
print(score_4)
print(score_5)
输出结果如下:
结果为正,就表示大概率是好评,结果为负,就表示大概率是差评。
所以,我们可以通过程序+AI来判断老婆或者女朋友说的话是不是生气了。
比如下面这句话,从上面的结果看,我们就知道了,老婆或者女朋友说这句话确实是生气了。
知道你很忙,但每次也不必和我说话如此简单吧,不是嗯,就是好。
是不是很有意思?