创建一个程序来记录每天的工作日常—6。与chatgpt结合 找一些集 来训练 ，它能自动分类到 其中一个，例如 “打扫卫生” 它会自动分类到 “家务”
记录家中宠物的一天，让它们的故事生动起来 #生活乐趣# #生活日常# #日常生活摄影# #日常生活故事化#
改进步骤 数据增强：使用GPT模型生成更多的训练数据。使用更高级的模型：使用BERT或其他预训练的语言模型进行文本分类。经验条和经验值显示：在网页端显示当前的经验值，并添加一个经验条。 数据增强和训练数据集我们可以通过OpenAI的GPT模型来生成更多的训练数据。这里假设我们已经有一定数量的基础训练数据，并使用GPT模型生成更多样化的数据。
initial_data = {
'工作': [
'完成工作任务',
'解决问题',
'编写代码',
'参加会议'
],
'生活': [
'锻炼身体',
'学习新知识',
'看电影',
'休息'
],
'家务': [
'打扫卫生',
'洗衣服',
'做饭',
'整理房间'
]
}
使用GPT生成更多数据我们将使用OpenAI的API生成更多数据。请确保您已设置OpenAI API密钥：
import openai
openai.api_key = 'your_openai_api_key'
def generate_data(prompt, max_tokens=50):
response = openai.Completion.create(
engine="text-davinci-003",
prompt=prompt,
max_tokens=max_tokens,
n=5,
stop=None,
temperature=0.7
)
return [choice['text'].strip() for choice in response['choices']]
def augment_data(data):
augmented_data = {}
for category, examples in data.items():
augmented_data[category] = examples.copy()
for example in examples:
prompt = f"给出一些类似于'{example}'的{category}活动。"
new_examples = generate_data(prompt)
augmented_data[category].extend(new_examples)
return augmented_data
# 增强数据
augmented_data = augment_data(initial_data)
使用BERT进行文本分类我们将使用transformers库中的BERT模型进行分类。以下是完整的app.py代码：
import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from transformers import BertTokenizer, BertForSequenceClassification
from transformers import Trainer, TrainingArguments
from sklearn.model_selection import train_test_split
from torch.utils.data import Dataset, DataLoader
from flask import Flask, render_template, request, jsonify
import torch
import os
import pandas as pd
from datetime import datetime
import openai
# 初始化nltk
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')
# 初始化分类器和评分模型
classifier = None
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
# 初始化分类和评分标准
categories = ['工作', '生活', '家务']
score_criteria = {
'工作': {
'完成任务': 10,
'解决问题': 5,
'编程': 8,
'参加会议': 4,
'其他': 1
},
'生活': {
'锻炼': 5,
'学习': 3,
'休息': 2,
'看电影': 2,
'其他': 1
},
'家务': {
'打扫卫生': 5,
'洗衣服': 3,
'做饭': 4,
'整理房间': 3,
'其他': 1
}
}
# 初始化基础分数和等级
base_score = 0
level = '初级'
# 初始化日志文件和评分记录
daily_log = []
scores = []
# 初始化词形还原器
lemmatizer = WordNetLemmatizer()
# 设置OpenAI API密钥
openai.api_key = 'your_openai_api_key'
# 检查并创建示例数据文件
def create_example_files():
example_data = {
'工作': [
'完成工作任务\n',
'解决问题\n',
'编写代码\n',
'参加会议\n',
'其他工作相关活动\n'
],
'生活': [
'锻炼身体\n',
'学习新知识\n',
'看电影\n',
'休息\n',
'其他生活相关活动\n'
],
'家务': [
'打扫卫生\n',
'洗衣服\n',
'做饭\n',
'整理房间\n',
'其他家务相关活动\n'
]
}
for category, data in example_data.items():
filename = f'{category}_log.txt'
if not os.path.exists(filename):
with open(filename, 'w', encoding='utf-8') as file:
file.writelines(data)
# 使用GPT生成更多数据
def generate_data(prompt, max_tokens=50):
response = openai.Completion.create(
engine="text-davinci-003",
prompt=prompt,
max_tokens=max_tokens,
n=5,
stop=None,
temperature=0.7
)
return [choice['text'].strip() for choice in response['choices']]
# 增强数据
def augment_data(data):
augmented_data = {}
for category, examples in data.items():
augmented_data[category] = examples.copy()
for example in examples:
prompt = f"给出一些类似于'{example}'的{category}活动。"
new_examples = generate_data(prompt)
augmented_data[category].extend(new_examples)
return augmented_data
# 读取和增强数据
def load_and_augment_data():
create_example_files()
initial_data = {
'工作': [],
'生活': [],
'家务': []
}
for category in categories:
with open(f'{category}_log.txt', 'r', encoding='utf-8') as file:
initial_data[category] = file.read().splitlines()
return augment_data(initial_data)
# 自定义数据集类
class ActivityDataset(Dataset):
def __init__(self, texts, labels, tokenizer, max_len):
self.texts = texts
self.labels = labels
self.tokenizer = tokenizer
self.max_len = max_len
def __len__(self):
return len(self.texts)
def __getitem__(self, item):
text = self.texts[item]
label = self.labels[item]
encoding = self.tokenizer.encode_plus(
text,
add_special_tokens=True,
max_length=self.max_len,
return_token_type_ids=False,
padding='max_length',
return_attention_mask=True,
return_tensors='pt',
truncation=True
)
return {
'text': text,
'input_ids': encoding['input_ids'].flatten(),
'attention_mask': encoding['attention_mask'].flatten(),
'labels': torch.tensor(label, dtype=torch.long)
}
# 训练分类器
def train_classifier():
global classifier
data = load_and_augment_data()
texts = []
labels = []
for category, examples in data.items():
texts.extend(examples)
labels.extend([categories.index(category)] * len(examples))
train_texts, val_texts, train_labels, val_labels = train_test_split(
texts, labels, test_size=0.1, random_state=42
)
train_dataset = ActivityDataset(train_texts, train_labels, tokenizer, max_len=128)
val_dataset = ActivityDataset(val_texts, val_labels, tokenizer, max_len=128)
training_args = TrainingArguments(
output_dir='./results',
num_train_epochs=3,
per_device_train_batch_size=16,
per_device_eval_batch_size=16,
warmup_steps=500,
weight_decay=0.01,
logging_dir='./logs',
logging_steps=10,
evaluation_strategy='epoch'
)
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=len(categories))
trainer = Trainer(
model=model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=val_dataset,
)
trainer.train()
classifier = model
# 预处理文本数据
def preprocess_text(data):
processed_data = []
for text in data:
# 分词
tokens = word_tokenize(text.lower())
# 去除停用词和标点符号
stop_words = set(stopwords.words('english'))
filtered_tokens = [token for token in tokens if token.isalnum() and token not in stop_words]
# 词形还原
lemmatized_tokens = [lemmatizer.lemmatize(token) for token in filtered_tokens]
# 重新组合为文本
processed_text = ' '.join(lemmatized_tokens)
processed_data.append(processed_text)
return processed_data
# 智能分类工作日常
def classify_activity(activity):
inputs = tokenizer(activity, return_tensors='pt', truncation=True, padding=True, max_length=128)
outputs = classifier(**inputs)
predictions = torch.argmax(outputs.logits, dim=1)
return categories[predictions.item()]
# 根据分类和评分标准计算活动得分
def score_activity(activity, category):
score = 0
for word, points in score_criteria[category].items():
if word in activity:
score += points
return score
# 记录每天的工作日常到Excel
def log_daily_activity(activity):
global base_score, level
# 智能分类
category = classify_activity(activity)
# 计算得分
score = score_activity(activity, category)
# 更新基础分数和等级
base_score += score
if base_score >= 100:
level = '高级'
elif base_score >= 50:
level = '中级'
# 记录日志
daily_log.append((activity, category, score))
# 更新评分记录
scores.append(score)
# 获取当前时间
timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
# 记录到Excel
log_to_excel(timestamp, activity, category, score)
# 记录数据到Excel文件
def log_to_excel(timestamp, activity, category, score):
filename = 'activity_log.xlsx'
if os.path.exists(filename):
df = pd.read_excel(filename)
else:
df = pd.DataFrame(columns=['Timestamp', 'Activity', 'Category', 'Score'])
new_entry = pd.DataFrame([[timestamp, activity, category, score]], columns=['Timestamp', 'Activity', 'Category', 'Score'])
df = pd.concat([df, new_entry], ignore_index=True)
df.to_excel(filename, index=False)
# 创建Flask应用
app = Flask(__name__)
@app.route('/')
def index():
return render_template('index.html', base_score=base_score, level=level)
@app.route('/log_activity', methods=['POST'])
def log_activity():
activity = request.form['activity']
log_daily_activity(activity)
return jsonify({'base_score': base_score, 'level': level})
@app.route('/simulate')
def simulate():
global base_score, level
# 模拟每天的活动记录
activities = [
'完成工作任务',
'锻炼身体',
'解决问题',
'学习新知识',
'编写代码',
'看电影',
'休息',
'参加会议',
'打扫卫生',
'洗衣服',
'做饭',
'整理房间',
'其他活动'
]
for activity in activities:
log_daily_activity(activity)
# 返回当前分数和等级
return jsonify({'base_score': base_score, 'level': level})
if __name__ == '__main__':
# 训练分类器和评分模型
train_classifier()
# 启动Flask应用
app.run(debug=True)
HTML代码（templates/index.html）我们将创建一个表单，让用户输入他们的活动，并通过Ajax发送到服务器，同时添加经验值和经验条的显示：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>升级动画</title>
<style>
body {
text-align: center;
font-family: Arial, sans-serif;
}
.character {
width: 200px;
height: 200px;
margin: 50px auto;
border: 2px solid #000;
border-radius: 10px;
background-color: #f0f0f0;
position: relative;
}
.character img {
width: 100%;
height: 100%;
display: none;
}
.character img.active {
display: block;
}
.level {
font-size: 1.5em;
margin-top: 20px;
}
.upgrade {
font-size: 1.2em;
color: green;
}
.form-container {
margin: 20px auto;
}
.progress-bar {
width: 80%;
margin: 20px auto;
background-color: #e0e0e0;
border-radius: 10px;
overflow: hidden;
}
.progress-bar-inner {
height: 20px;
background-color: #76c7c0;
width: 0;
}
</style>
</head>
<body>
<div class="character">
<img src="/static/character_level1.png" id="level1" class="active">
<img src="/static/character_level2.png" id="level2">
<img src="/static/character_level3.png" id="level3">
</div>
<div class="level" id="level">当前等级: 初级</div>
<div class="upgrade" id="upgrade"></div>
<div class="form-container">
<form id="activity-form">
<input type="text" id="activity" name="activity" placeholder="输入今天的活动" required>
<button type="submit">记录活动</button>
</form>
</div>
<div class="progress-bar">
<div class="progress-bar-inner" id="progress-bar-inner"></div>
</div>
<div id="experience">当前经验值: 0</div>
<script>
let baseScore = {{ base_score }};
let level = "{{ level }}";
function updateLevel(newLevel) {
const levelImages = {
'初级': document.getElementById('level1'),
'中级': document.getElementById('level2'),
'高级': document.getElementById('level3')
};
for (let level in levelImages) {
if (level === newLevel) {
levelImages[level].classList.add('active');
document.getElementById('level').textContent = `当前等级: ${level}`;
document.getElementById('upgrade').textContent = `升级到${level}!`;
} else {
levelImages[level].classList.remove('active');
}
}
}
function updateExperience(newScore) {
baseScore = newScore;
document.getElementById('experience').textContent = `当前经验值: ${baseScore}`;
let progressBar = document.getElementById('progress-bar-inner');
progressBar.style.width = `${Math.min((baseScore % 50) * 2, 100)}%`;
}
function logActivity(event) {
event.preventDefault();
const activity = document.getElementById('activity').value;
fetch('/log_activity', {
method: 'POST',
headers: {
'Content-Type': 'application/x-www-form-urlencoded'
},
body: `activity=${encodeURIComponent(activity)}`
})
.then(response => response.json())
.then(data => {
updateLevel(data.level);
updateExperience(data.base_score);
document.getElementById('activity').value = '';
});
}
document.getElementById('activity-form').addEventListener('submit', logActivity);
</script>
</body>
</html>
网址：创建一个程序来记录每天的工作日常—6。与chatgpt结合 找一些集 来训练 ，它能自动分类到 其中一个，例如 “打扫卫生” 它会自动分类到 “家务” https://www.yuejiaxmz.com/news/view/703903
相关内容
如何使用 IFTTT ChatGPT 插件来自动化您的工作流程如何利用ChatGPT构建智能家居系统1.背景介绍 智能家居系统是一种利用计算机技术和人工智能来自动化家庭生活的系统。它
每日每月打扫工作计划(合集9篇)
5 个例子告诉你如何使用 ChatGPT 提高生产力在日常生活中，我们都想要提高自己的生产力，但有时候如何开始是一件困难
我们距离AGI还有多远？6个认知框架，看懂智能体、智能自动化与自主工作的级别分类
chatgpt赋能python：自动填表程序：让烦人的表格填写工作自动化
揭秘ChatGPT：如何轻松实现日常事务自动化代办？
工作流自动化：它是什么，常见示例以及如何实现
如何教孩子打扫房间作为日常工作的一部分
《ChatGPT在日常生活中的十大实用应用场景》
