熟悉但又不陌生的 Tool：PlumGPT

喜欢ヅ旅行 2023-10-09 18:23 7阅读 0赞

#### 体验不一样的感觉 ####

*   *   *  官网地址
         *  注册
         *  登录
         *  主界面
         *  体验
         *  总结

#### 官网地址 ####

网站地址：[https://plumgpt.com/][https_plumgpt.com]

进入网站：  
![在这里插入图片描述][a896edf16c614a39a24350ed782d9f4a.png]

#### 注册 ####

该网站支持多种方式注册：很便捷的可以使用 微信扫码注册，需要输入你的账号和密码。注意  
![在这里插入图片描述][15752947862f4e37b23157f43a106465.png]

#### 登录 ####

登录的话就需要输入上一步得用户名和密码正常登录即可。

![在这里插入图片描述][0c6df1d2026a43b6981582579f41505a.png]

为了防止恶意访问还有类似于手机验证码的解锁方式。这个是为了保证IP访问安全。

![在这里插入图片描述][4df8b356987948328f360614425fcd33.png]

注意滑动的时候一定要慢一点，时间很多，可以慢点来。当然如果你觉得这个数字不好弄，咱们直接点击 `重新获取` 让他给咱重新生成一段数字去进行。

#### 主界面 ####

这个页面是不是非常得熟悉，就像GPT一样的界面。非常符合使用习惯。

![在这里插入图片描述][2a527b4001324c46aa1612a664ebb4fb.png]

左下角的 `Light mode` 可以随意更改背景颜色  
![在这里插入图片描述][6b557b140fe54d7c8c0a00f71814fc5c.png]  
点击 `help` 可以给予你一些基本帮助，当然有问题可以直接联系开发者  
![在这里插入图片描述][3b2f74a84c4b45f29c8bd1ac5c35551f.png]

`My account0`：查看自己的账户信息：这里有你注册的基本信息。  
![在这里插入图片描述][e0728ab4c2eb46cbbb8e7cac1cd3a570.png]  
`log out`的话就是退出啦

#### 体验 ####

工具是用来使用的，那么在实际体验中这个工具又会给我们带来怎样的感觉呢？那么就让我先来给大家体验一下  
![在这里插入图片描述][af1639513aea41beaaf36597e0e75a9c.png]  
当提问 `csdn是什么？`的时候，他会给咱们做出一个回答，同时在窗口的左侧也会将这个聊天界面进行保存，方便下回我们继续查看。

> 继续体验

如果我说她错了，他会回答什么  
![在这里插入图片描述][d22d15826d6d4de6beb63d2b7d928cf2.png]  
它具备着基本的认知，即使你说他错了，里面就道歉。（其实我给它的回答是错误的）。

但是随后它仍然会给你正确的答案。

#### 总结 ####

总的来说，用起来还是非常不错的。至少不用去努力的爬过千山万水去用chatGpt。非常适合去搜索大量的知识，可以剩下你很多的时间。

专业知识的提问：ECG心电信号的去噪方法  
![在这里插入图片描述][c1075c1ea784465e97a258d9cb1fa8c2.png]

我们还想要它生成代码

> 双向LSTM并且有注意力机制

好的，以下是一个简单的双向LSTM并带有注意力机制的Python代码示例：

import tensorflow as tf
    from tensorflow.keras.layers import Input, Dense, LSTM, Bidirectional, Concatenate, Dot, Activation
    from tensorflow.keras.models import Model
    
    # 定义输入
    input_shape = (10, 100) # 10个时间步，每个时间步有100个特征
    input_layer = Input(shape=input_shape)
    
    # 双向LSTM层
    lstm_units = 128
    lstm_layer = Bidirectional(LSTM(units=lstm_units, return_sequences=True))(input_layer)
    
    # 注意力机制
    attention_units = 32
    attention_dense_layer = Dense(units=attention_units, activation='tanh')(lstm_layer) # 全连接层
    attention_score_layer = Dense(units=1, activation='softmax')(attention_dense_layer) # 全连接层
    attention_output_layer = Dot(axes=1)([attention_score_layer, lstm_layer]) # 加权求和
    
    # 拼接注意力输出和双向LSTM输出
    output_layer = Concatenate(axis=-1)([attention_output_layer, lstm_layer])
    
    # 全连接层
    dense_units = 64
    dense_layer = Dense(units=dense_units, activation='relu')(output_layer)
    
    # 输出层
    output = Dense(units=1, activation='sigmoid')(dense_layer)
    
    # 定义模型
    model = Model(inputs=input_layer, outputs=output)
    model.summary()

上述代码中，我们定义了一个输入层，接着是一个双向LSTM层。然后定义了一个注意力机制，该机制使用全连接层和softmax层计算每个时间步的权重，再将权重与LSTM层的输出进行加权求和，得到注意力机制的输出。最后，将注意力机制的输出和LSTM层的输出拼接在一起，经过一个全连接层和输出层，得到最终的输出。

> 最终做出了回答，并且根据要求生成了我们想要的基本代码

[https_plumgpt.com]: https://plumgpt.com/
[a896edf16c614a39a24350ed782d9f4a.png]: https://img-blog.csdnimg.cn/a896edf16c614a39a24350ed782d9f4a.png
[15752947862f4e37b23157f43a106465.png]: https://img-blog.csdnimg.cn/15752947862f4e37b23157f43a106465.png
[0c6df1d2026a43b6981582579f41505a.png]: https://img-blog.csdnimg.cn/0c6df1d2026a43b6981582579f41505a.png
[4df8b356987948328f360614425fcd33.png]: https://img-blog.csdnimg.cn/4df8b356987948328f360614425fcd33.png
[2a527b4001324c46aa1612a664ebb4fb.png]: https://img-blog.csdnimg.cn/2a527b4001324c46aa1612a664ebb4fb.png
[6b557b140fe54d7c8c0a00f71814fc5c.png]: https://img-blog.csdnimg.cn/6b557b140fe54d7c8c0a00f71814fc5c.png
[3b2f74a84c4b45f29c8bd1ac5c35551f.png]: https://img-blog.csdnimg.cn/3b2f74a84c4b45f29c8bd1ac5c35551f.png
[e0728ab4c2eb46cbbb8e7cac1cd3a570.png]: https://img-blog.csdnimg.cn/e0728ab4c2eb46cbbb8e7cac1cd3a570.png
[af1639513aea41beaaf36597e0e75a9c.png]: https://img-blog.csdnimg.cn/af1639513aea41beaaf36597e0e75a9c.png
[d22d15826d6d4de6beb63d2b7d928cf2.png]: https://img-blog.csdnimg.cn/d22d15826d6d4de6beb63d2b7d928cf2.png
[c1075c1ea784465e97a258d9cb1fa8c2.png]: https://img-blog.csdnimg.cn/c1075c1ea784465e97a258d9cb1fa8c2.png