首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >1天构建ChatGPT应用

1天构建ChatGPT应用

作者头像
yeedomliu
发布于 2023-09-03 13:22:03
发布于 2023-09-03 13:22:03
1.1K0
举报
文章被收录于专栏:yeedomliuyeedomliu

思维导图

介绍

AI/ML及其应用简介

机器学习(ML)是AI的一个子集,它侧重于使计算机能够从经验中学习和改进,而无需明确编程。这意味着ML算法可以分析数据、检测模式,并基于该分析进行预测或决策。机器学习的应用包括客户细分、欺诈检测、个性化推荐等等。

三种主要类型的机器学习算法:

  1. 强化学习:过发现数据中的模式来获得识别模式和预测结果的能力。语音识别和图像识别等应用使用这种类型的机器学习。
  2. 无监督学习:使用未标记的数据训练模型。该算法能够发现模式并将具有相似模式的数据点进行组合。聚类和异常检测等应用使用这种方法。
  3. 监督学习:使用标记数据训练机器

AI/ML Web应用基础知识

AI/ML Web应用的示例

预测分析

预测分析是一种强大的工具,在各个行业中有许多应用。通过基于数据分析提供洞察和预测,企业可以做出更明智的决策,提高整体效率和效果。

自动驾驶

自动驾驶汽车还有可能彻底改变运输行业,减少交通拥堵,并提高对行动不便人士的可及性。这项技术还可以通过优化路线和减少碳排放来降低交通对环境的影响。

内容审核

内容审核是AI/ML技术的一个重要应用,使在线社区能够保持安全、积极和受欢迎。通过使用算法识别和删除不适当内容

医学诊断和治疗建议

这项技术有潜力改变医疗保健行业,通过提供更个性化、更有效的治疗方法,改善患者疗效,降低医疗成本。

数据相关最佳实践

  1. 数据清洗是必要的,以删除重复、错误和不相关的信息,这可能是一个耗时但至关重要的过程。删除不相关的数据可以降低噪声,并使AI/ML算法更容易找到模式并进行准确的预测。
  2. 特征工程也很重要,它涉及选择最相关的变量并对其进行格式化,以便AI/ML算法构建有用的模型。例如,在预测房价的模型中,位置、面积和卧室数量等特征可能是关键。
  3. 数据标注是对数据进行标记或注释的过程,以便AI/ML算法更容易解释数据的含义。数据标注可以手动完成,也可以使用工具自动完成,具体取决于被标注的数据类型。
  4. 数据增强是另一种有用的技术,它涉及修改现有数据以创建新信息,例如翻转图像或向音频文件添加噪音,从而可以增加可供AI/ML算法使用的训练数据量。
  5. 模型训练和验证涉及使用数据进行模型训练和测试,以监控模型的性能和准确性。将数据拆分为训练集和测试集,并在测试数据上评估模型的性能,以确保其正常工作。可能需要多次重复此过程,使用不同的数据变化和模型参数,直到达到满意的准确性水平。

为AI/ML Web应用定义业务要求

  1. 识别问题:通过与利益相关者交谈、收集数据和分析现有流程来收集宝贵的信息。与员工、客户和业务领导者会面可以帮助公司理解他们的需求和期望。分析现有流程和收集数据可以提供改进的领域的见解。一旦问题被确定,公司可以探索潜在的解决方案
  2. 明确AI/ML Web应用的目标。这涉及确定应用程序应该能够做什么以及给用户带来什么价值。
  3. 收集需求:确定应用程序必须具备的必要功能、功能和性能特征,以实现其目标。
  4. 优先排序需求:将精力集中在最重要的功能的开发上,确保应用程序为用户提供价值。
  5. 制定一个路线图:创建一个开发路线图。这包括为开发过程创建一个时间表,并确定沿途必须达到的里程碑。路线图确保开发过程按计划进行,最终产品符合业务需求。

AI/ML Web应用的关键组成部分

  1. 数据收集和存储
  2. 数据预处理(对数据进行缩放、归一化和转换)和特征工程(对数据中选择和创建最相关的特征)
  3. 机器学习算法(回归、分类、聚类和强化学习等)
  4. 部署和集成
  5. 监控和维护

设置开发环境

AI/ML Web应用开发工具概述

  1. 编程语言:Python是AI/ML领域最广泛使用的语言,因其简单易学、强大的库集以及广泛的应用领域。R是另一种用于数据分析、统计计算和可视化的语言。Java也常用于AI/ML Web应用开发,因为它具有可扩展性、可靠性和安全性等特点。
  2. 集成开发环境(IDE):最流行的AI/ML Web应用开发IDE包括PyCharm、Visual Studio Code和Spyder。PyCharm是用于Python开发的IDE,内置支持数据科学和科学计算。Visual Studio Code是一款轻量而强大的代码编辑器,支持多种编程语言和框架,包括Web开发、移动应用开发和数据科学。Spyder是另一个基于Python的IDE,具有先进的编辑、调试和性能分析工具。
  3. 机器学习框架和API:最常用的AI/ML Web应用开发机器学习框架包括TensorFlow、Keras和Scikit-Learn。TensorFlow是由Google开发的开源框架,用于构建和训练机器学习模型。Keras是基于TensorFlow的高级神经网络API。Scikit-Learn是一种流行的Python机器学习库,提供各种用于分类、回归和聚类任务的算法。
  4. Web开发框架:AI/ML Web应用开发最流行的Web开发框架包括Flask、FastAPI、Django和Streamlit。Flask和FastAPI都是轻量级的Python Web框架,提供构建Web应用程序所需的工具和库。Django是一个全栈Python Web框架,提供强大的Web应用程序开发工具。Streamlit是一种流行的开源Python库,可以让开发人员创建交互式的机器学习和数据科学Web应用程序,无需了解HTML、CSS和JavaScript等Web开发技术。

设置开发环境

使用FastAPI
代码语言:javascript
复制
$ pip install fastapi uvicorn$ pip install streamlit

新建 app.py

代码语言:javascript
复制
from fastapi import  FastAPImain = FastAPI()@main.get("/")async def root():    return {"message": "Hello World"}

启动

代码语言:javascript
复制
$ uvicorn app:main --reloadINFO:     Will watch for changes in these directories: ['/Users/yeedomliu/Documents/website/fastapi']INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)INFO:     Started reloader process [59144] using StatReloadINFO:     Started server process [59146]INFO:     Waiting for application startup.INFO:     Application startup complete.

访问

代码语言:javascript
复制
$ curl http://127.0.0.1:8000/{"message":"Hello World"}

Python Streamlit开发

Streamlit是一个开源框架,可以通过几行Python代码创建美观且交互式的Web应用程序。即使对于没有网页开发经验的人来说,它也被设计为易于使用。

  1. 侧边栏:左侧部分
  2. 主要部分
  3. 小部件:允许用户与应用程序交互的输入控件。
  4. 绘图:Streamlit提供了一种简单创建图表和可视化的方式。您可以使用流行的Python绘图库,如Matplotlib、Seaborn和Plotly来创建图表、图形和其他类型的可视化。
  5. 数据帧:Streamlit使得显示数据帧和其他类型的数据表格变得简单。您可以使用流行的Python数据处理库,如Pandas和Numpy来处理数据并在Web应用程序中显示
代码语言:javascript
复制
import streamlit as st# 侧边栏with st.sidebar:    st.button("点击")slider_value = st.slider("选择组件", 0, 10, 5)st.write("你选择了:", slider_value)st.write("绘图:")import matplotlib.pyplot as pltimport numpy as npx = np.linspace(0, 10, 100)y = np.sin(x)fig, ax = plt.subplots()ax.plot(x, y)st.pyplot(fig)st.write("数据:")import pandas as pddf = pd.DataFrame({    "Name": ["John", "Jane", "Bob"],    "Age": [30, 25, 40],    "Gender": ["Male", "Female", "Male"]})st.dataframe(df)st.write("文件上传:")file = st.file_uploader("选择文件")
代码语言:javascript
复制
$ streamlit run streamlit.py  You can now view your Streamlit app in your browser.  Local URL: http://localhost:8501  Network URL: http://10.11.14.53:8501

构建ChatGPT语音助手

语音助手系统的关键组成部分

  1. 自动语音识别(ASR):Whisper ASR 模型
  2. 自然语言理解(NLU):确定用户意图
  3. 对话管理和自然语言生成NLG:
  4. 文本转语音 TTS:有许多开源和免费可用的TTS库,例如pyttsx3、gTTS、PyTTSx等。
  5. 知识库:存储和检索信息库
  6. 与第三方服务集成

定义语音助手的用户界面

代码语言:javascript
复制
$ pip install streamlit-audiorecorder python-magic$ brew install libmagic

提供一个按下按钮来通过网页浏览器的麦克风界面录制用户的声音,当用户录制完成后,可以再次按下按钮停止录制。

在麦克风录制后,我们的Web应用程序将自动在聊天文本区域显示用户说的话,并将用户的命令发送给ChatGPT API以获得文本形式的响应。

当我们的语音助手Web应用程序接收到响应后,我们将在聊天文本区域显示响应答案,并调用我们的文本到语音引擎将ChatGPT的答案读给用户听。

使用Python的Streamlit库的streatlit-audiorecorder来通过Web浏览器记录用户的语音

代码语言:javascript
复制
import osimport streamlit as stfrom audiorecorder import audiorecorderimport magicdef get_audio_record_format(orgfile):    info = magic.from_file(orgfile).lower()    print(f'\n\n Recording file info is:\n {info} \n\n')    if 'webm' in info:        return 'webm'    elif 'iso media' in info:        return '.mp4'    elif 'wave' in info:        return '.wav'    else:        return '.mp4'def app():    st.title("ChatGPT语音助手")    st.subheader("它理解97种语言!")    audio = audiorecorder("按下并说话", "正在录制...(再次按下停止)")    if len(audio) > 0:        st.audio(audio.tobytes())        audioname = 'recording.tmp'        with open(audioname, "wb") as f:            f.write(audio.tobytes())        record_format = get_audio_record_format(audioname)        os.rename(audioname, audioname + record_format)    st.markdown("<b>聊天记录</b> ", unsafe_allow_html=True)    with st.spinner("识别您的语音指令中..."):        text = "ASR结果。待办事项"  # TODO 增加我们的ASR处理以识别用户说的话        st.markdown("<b>您:</b> " + text, unsafe_allow_html=True)        print("ASR结果为:" + text)        st.write()app()
代码语言:javascript
复制
$ streamlit run voice.py  You can now view your Streamlit app in your browser.  Local URL: http://localhost:8502  Network URL: http://192.168.255.10:8502

使用Whisper ASR模型转录97种语言

Whisper是一种自动语音识别(ASR)引擎,能够将口语转录成文本。它基于最先进的机器学习算法,并可以转录97种不同的口语语言。Whisper的主要优点包括准确性、速度和多功能性,使其成为面向全球受众的各种语音助手应用的优秀选择。在2022年9月,openAI免费开源了Whisper供使用。

Whisper使用深度神经网络将语音转换为文本。它通过将语音信号分解为更小、更易处理的组成部分,并通过神经网络的一系列层进行处理。网络的输出是口语语言的转录,可以进一步处理以去除不必要的字符或短语。

代码语言:javascript
复制
$ brew install ffmpeg$ pip install git+https://github.com/openai/whisper.git

调用ChatGPT API获取其响应

Conversation类用于封装ChatGPT对话式AI模型。该类具有一个构造函数,该构造函数接受一个engine参数,用于指定要使用的ChatGPT引擎,以及一个generate_response方法,用于使用ChatGPT API对给定的提示生成响应。generate_response方法使用openai库向ChatGPT API发出API请求并返回生成的响应。

完整版代码

代码语言:javascript
复制
$ git clone https://github.com/mingkuan/voice-assistant-chatgpt.git

安装

代码语言:javascript
复制
$ pip install -r requirement.txt

部署

将Web应用分享给世界

https://share.streamlit.io/

学习资源

  1. 线课程提供商包括Udemy、Coursera和edX
  2. Youtube
  3. AI/ML 社区:Kaggle、Stack Overflow、Github
  4. 书籍:How-to-Do-AI"系列书籍、《打造终极机器学习团队》
  5. 在线工具:Google Colab、TensorFlow Playground和Hugging Face。
  6. 社区聚会:Meetup.com
  7. 会议:AI峰会、机器学习大会和NeurIPS
  8. 训练营:General Assembly、Flatiron School和Data Science Dojo
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-07-14,如有侵权请联系 cloudcommunity@tencent.com 删除
目录
  • 思维导图
  • 介绍
    • AI/ML及其应用简介
  • AI/ML Web应用基础知识
    • AI/ML Web应用的示例
      • 预测分析
      • 自动驾驶
      • 内容审核
      • 医学诊断和治疗建议
    • 数据相关最佳实践
    • 为AI/ML Web应用定义业务要求
    • AI/ML Web应用的关键组成部分
  • 设置开发环境
    • AI/ML Web应用开发工具概述
    • 设置开发环境
      • 使用FastAPI
  • Python Streamlit开发
  • 构建ChatGPT语音助手
    • 语音助手系统的关键组成部分
    • 定义语音助手的用户界面
    • 使用Whisper ASR模型转录97种语言
    • 调用ChatGPT API获取其响应
  • 将Web应用分享给世界
  • 学习资源
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档