در این مطلب، ویدئو مدل OpenAI کد پایتون را تولید می کند با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:03:59
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,009
و یک چیزی که در مورد آن کنجکاو بودیم این بود
2
00:00:02,009 –> 00:00:05,009
که چه کاری میتوانیم با تولید همزمان انجام دهیم، آیا
3
00:00:05,009 –> 00:00:07,830
میتوانیم به توسعهدهندگان کمک کنیم تا کد بنویسند و بنابراین
4
00:00:07,830 –> 00:00:10,290
ما از ابررایانههای مایکروسافت از
5
00:00:10,290 –> 00:00:12,660
مدلهای متن تولیدی خود استفاده میکنیم و
6
00:00:12,660 –> 00:00:14,340
آن را روی هزاران مخزن منبع باز github تنظیم
7
00:00:14,340 –> 00:00:16,379
کردیم و آن را رول میکنیم. ویدیو
8
00:00:16,379 –> 00:00:18,539
و به شما نشان میدهم که چه اتفاقی افتاده است، من قصد دارم
9
00:00:18,539 –> 00:00:20,279
نشان دهم که یک مدل زبان هوش مصنوعی
10
00:00:20,279 –> 00:00:22,890
وقتی برای تولید کد اعمال میشود چه کاری انجام میدهد،
11
00:00:22,890 –> 00:00:24,330
مدلی که من امروز استفاده میکنم بر روی
12
00:00:24,330 –> 00:00:25,439
کد هزاران مخزن منبع باز
13
00:00:25,439 –> 00:00:27,390
github با استفاده از
14
00:00:27,390 –> 00:00:29,250
تکنیکهای بدون نظارت مشابه آموزش داده شده است. به عنوان مدلهای GPT ما،
15
00:00:29,250 –> 00:00:32,640
بیایید آن را امتحان کنیم، من با
16
00:00:32,640 –> 00:00:34,800
یک کار بسیار ابتدایی پایتون شروع میکنم، میخواهم
17
00:00:34,800 –> 00:00:35,969
تابعی بنویسم تا بررسی کنم که آیا
18
00:00:35,969 –> 00:00:37,110
یک رشته یک palindrome است یا نه،
19
00:00:37,110 –> 00:00:38,940
با نوشتن امضای تابع
20
00:00:38,940 –> 00:00:48,559
و یک رشته نظر سریع شروع میکنم و
21
00:00:48,559 –> 00:00:50,820
اکنون من از مدل میخواهم
22
00:00:50,820 –> 00:00:53,870
کدی را ایجاد کند که فکر میکند باید بعداً عالی بیاید.
23
00:00:54,680 –> 00:00:57,840
24
00:00:57,840 –> 00:00:59,520
25
00:00:59,520 –> 00:01:01,050
26
00:01:01,050 –> 00:01:02,430
g
27
00:01:02,430 –> 00:01:05,489
مشابه، پس بیایید این بار کمی آن را افزایش
28
00:01:05,489 –> 00:01:06,630
دهیم، من تابعی می نویسم که
29
00:01:06,630 –> 00:01:10,189
قطعاً در مجموعه آموزشی نبود،
30
00:01:12,560 –> 00:01:15,000
بیایید این شاخص ها را برای عناصری
31
00:01:15,000 –> 00:01:22,619
که پالیندروم هستند و حداقل هفت
32
00:01:22,619 –> 00:01:27,689
کاراکتر هستند برگردانیم و ببینیم مدل چه کدی
33
00:01:27,689 –> 00:01:33,960
عالی تولید می کند. درست به نظر می رسد
34
00:01:33,960 –> 00:01:36,030
و حتی از تابع is palindrome
35
00:01:36,030 –> 00:01:38,250
از بالا این بار استفاده کنید، همچنین می توانیم
36
00:01:38,250 –> 00:01:39,540
مطمئن باشیم که فقط بخشی از مجموعه آموزشی را کپی نکرده است، بلکه
37
00:01:39,540 –> 00:01:41,670
38
00:01:41,670 –> 00:01:43,049
مدل یک راه حل منحصر به فرد برای یک
39
00:01:43,049 –> 00:01:45,479
نیاز منحصر به فرد ارائه کرده است، اجازه دهید این بار دوباره آن را افزایش
40
00:01:45,479 –> 00:01:48,240
دهیم.