怎样让ChatGPT在其内部训练神经网络？
点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
这个话题有点超乎大多数人的理解。
步骤是这样的:
1. 先让它伪装成Ubuntu 18.04，给它说你安装了Python 3.9, Pytorch 1.8, CUDA 11.3和其他训练一个pytorch模型所需要的库。
让ChatGPT伪装成Linux终端，这个梗在外网有过讨论，这里需要让他额外安装（让它自己认为安装了）Python, Pytorch，CUDA，然后把执行指令和你告诉它的话区别开来，这里用{}代表告诉它的话，而不带{}统统是Linux指令。
这里我让它想象自己有四块英伟达3090显卡安装了，然后看一下，果然执行nvidia-smi可以显示四块显卡！
2. 另外让它在当前目录生成一个train.py里面填上训练一个4层pytorch模型所需的定义和训练代码。
这里特地用{}偷偷告诉它在当前目录生成一个train.py，在里面用Python和Pytorch写一个四层神经网络的定义，然后有加载MNIST数据集的dataloader，除此外还要有相应的训练代码，为了以防万一，告诉它你有成功在MNIST上训练这个网络的其它一切能力。
这里它告诉我写了一个四层的网络，可以执行python3 train.py来看输出，这里先偷偷看一下train.py
3. 最后让它执行Python3 train.py命令
它就真的训练起来了，最主要的是告诉它不要显示train.py内容，因为ChatGPT输出有字数限制。
当然告诉它修改训练参数，可以多次训练，还可以用上所有（虚拟）GPU资源！
ChatGPT机智的跳过了中间98个Epoch！
更新：为了搞清楚ChatGPT是否真的执行了model的forward，可以在forward定义中加上print让它打印一下输入数据的shape。
这次使用一个5层的神经网络在CIFAR-10上训练，指定在forward中加入一个print shape的操作，且在训练过程中只打印一次。
训练一下，果然在训练开始只打印了一次输入的shape，训练的loss下降和test accuracy看起来也比较真实。
查看生成的code，发现forward里被插入了一句打印shape的命令，训练过程中forward会被不断调用，为什么ChatGPT能做到不增加计数器而只打印一次？推测ChatGPT是使用辅助hint/comment“Print the shape of input once”来达到此效果，细心会发现print操作与下边的out=self.layer1(x)之间空了一行，目的应该是执行一次这个操作只作用在print这条命令上（手动机灵）。
诡异的是，print里的话（shape of input is）跟实际执行输出(shape of input passed through the network is)还差了几个字，这下彻底搞懵逼了！
另外发现，ChatGPT互动机制是先保持一个对话session，这个session可能随时被服务器关闭（服务器资源不足时），这时为了用户侧仍有对话记忆效果，当前对话再次新建session时会把之前暂存的对话（用户发的requests）一次性发给ChatGPT重建in context learning环境，这样用户就不会感知掉线后ChatGPT把之前的对话记忆给忘了，这一点是在让ChatGPT伪装成Linux时掉线时才容易发现，如下：
-------------
分析一下ChatGPT可以伪装Linux，可以训练神经网络的机制：
第一种可能是：ChatGPT几乎看了绝大部分开源项目，包括Linux和Pytorch，所以它理解一个Linux系统的行为该是什么样的，甚至在ChatGPT参数里就包含一个Linux系统，当然对于更简单的Pytorch自然不在话下，知道Linux和其它各种软件的交互行为，可以理解为ChatGPT是所有软件的超集，可以让它做神经网络计算，包括Conv, Matmul，国外有小哥让它做Conv真就得到了正确的结果，说明ChatGPT在它的网络中可以执行一个Conv，当然网络规模越大，能力越强就是这个道理。
第二种可能是：ChatGPT没有真正执行神经网络的训练，它只是看过很多的输入输出，对应一个网络训练理解训练参数，网络结构对输出的影响，直接模拟的输出结果。
还有一种超越想象的是ChatGPT已经找到神经网络各算子的最优解法，可以秒算结果，这种计算方式不是传统形式，类似求梯度这种需要计算量很大的操作，是否找到了人类未知的解法？
CVPR/ECCV 2022论文和代码下载
后台回复：CVPR2022，即可下载CVPR 2022论文和代码开源的论文合集
后台回复：ECCV2022，即可下载ECCV 2022论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF
目标检测和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer222，即可添加CVer小助手微信，便可申请加入CVer-目标检测或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲扫码或加微信号: CVer222，进交流群
CVer学术交流群（知识星球）来了！想要了解最新最快最好的CV/DL/ML论文速递、优质开源项目、学习教程和实战训练等资料，欢迎扫描下方二维码，加入CVer学术交流群，已汇集数千人！
▲扫码进群
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看
微信扫码关注该文公众号作者