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 18.04，给它说你安装了 3.9, 1.8, CUDA 11.3和其他训练一个模型所需要的库。
让伪装成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）, ，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-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，在里面用和写一个四层神经网络的定义，然后有加载MNIST数据集的，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 train.py来看输出，这里先偷偷看一下train.py
这里是它写好的网络定义
这里是它写好的训练代码
3. 最后让它执行 train.py命令
默认让它执行了10个Epoch
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！
机智的跳过了中间98个Epoch！
更新：为了搞清楚是否真的执行了model的，可以在定义中加上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 看起来也比较真实。
查看生成的code，发现里被插入了一句打印shape的命令，训练过程中会被不断调用，为什么能做到不增加计数器而只打印一次？推测是使用辅助hint/“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.(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 the )还差了几个字，这下彻底搞懵逼了！
另外发现，互动机制是先保持一个对话，这个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，当前对话再次新建时会把之前暂存的对话（用户发的）一次性发给重建in 环境，这样用户就不会感知掉线后把之前的对话记忆给忘了，这一点是在让伪装成Linux时掉线时才容易发现，如下：
一次执行了之前多个请示，里面还显示了GPU占用64%
————-
分析一下可以伪装Linux，可以训练神经网络的机制：
第一种可能是：几乎看了绝大部分开源项目，包括Linux和，所以它理解一个Linux系统的行为该是什么样的，甚至在参数里就包含一个Linux系统，当然对于更简单的自然不在话下，知道Linux和其它各种软件的交互行为，可以理解为是所有软件的超集，可以让它做神经网络计算，包括Conv, ，国外有小哥让它做Conv真就得到了正确的结果，说明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：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？
审核编辑 ：李倩
相关文章
