Archives/Prompt-Engineering-Guide
2
0
Fork 0
mirror of https://github.com/dair-ai/Prompt-Engineering-Guide synced 2024-11-06 09:20:31 +00:00
Code Issues Packages Projects Releases Wiki Activity

more translated text checked with grammar tool

Browse Source
This commit is contained in:
S4MFI 2023-05-15 19:52:28 +03:00
parent 5ac17e796a
commit f61aba30b4
2 changed files with 7 additions and 7 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

12
fi-pages/applications/coding.fi.mdx
View File

@ -8,11 +8,11 @@ import CODE1 from '../../img/code-generation/chat-mode.png'
Tämä osio kehittyy jatkuvasti.
</Callout>
Suuret kielimallit, kuten ChatGPT, ovat erittäin tehokkaita koodin generoinnissa. Tässä osiossa käymme läpi monia esimerkkejä siitä, miten ChatGPT:tä voidaan käyttää koodin generointiin.
Suuret kielimallit, kuten ChatGPT, ovat erittäin tehokkaita koodin generoinnissa. Tässä osiossa esittelemme useita esimerkkejä siitä, kuinka ChatGPT:tä voidaan hyödyntää koodin generointiin.
Kaikki alla olevat esimerkit käyttävät OpenAI:n testiympäristöä (playground) (Chat Mode) ja gpt-3.5-turbo-mallia.
Kaikki alla esitetyt esimerkit käyttävät OpenAI:n testiympäristöä (playground) Chat Mode-tilassa ja `gpt-3.5-turbo`-mallia.
Kuten kaikissa OpenAI:n chat-malleissa, voit käyttää `järjestelmäviestiä` määrittelemään vastausten käyttäytymisen ja formaatin. Käytämme seuraavaa järjestelmäviestiä kehote-esimerkeissä:
Kuten kaikissa OpenAI:n chat-malleissa, voit määrittää vastauksien käyttäytymisen ja muodon `järjestelmäviestin` avulla. Käytämme seuraavaa järjestelmäviestiä kehote-esimerkeissämme:
```
Olet koodiavustaja, joka opettaa juniorikehittäjälle koodaamista. Käyttämäsi kieli on Python. Älä selitä koodia, vaan luo vain koodilohko itsessään.
@ -20,7 +20,7 @@ Olet koodiavustaja, joka opettaa juniorikehittäjälle koodaamista. Käyttämäs
## Perusesimerkki
`Käyttäjän viesti` sisältää kehotteen, jossa on ohjeet halutun koodin generoimiseksi mallilla. Alla on kuva ensimmäisestä peruskehote-esimerkistä. Huomaa, että lopullinen koodi generoitiin `koodiavustajan` toimesta.
`Käyttäjän viesti` sisältää kehotteen, jossa annetaan ohjeet halutun koodin generoimiseksi mallilla. Alla on esimerkki ensimmäisestä peruskehoteesta. Huomaa, että lopullisen koodin generoi `koodiavustaja`.
<Screenshot src={CODE1} alt="CODE1" />
@ -32,7 +32,7 @@ Kirjoita koodia, joka kysyy käyttäjän nimen ja sanoo "Hei"
## Muuta Kommentit Koodiksi
Voit myös käyttää näiden LLM:ien koodin generointikykyä luomaan koodia vain kommenteista. Katsotaan toista esimerkkiä, joka antaa ohjeet kommenttina:
Voit myös hyödyntää LLM:ien kykyä generoida koodia suoraan kommenteista. Katsotaan toista esimerkkiä, jossa ohjeet annetaan kommenttina:
*Kehote:*
```
@ -59,7 +59,7 @@ json_objekti = json.dumps(elokuva_arvioinnit, indent=4)
print(json_objekti)
```
Generoitu koodi näyttää toimivalta koodilta. Kuitenkin tulosteesta puuttuu tärkeä `import`-lause, eli `import json`. Vaikka nämä mallit generoivat toimivaa koodia, sinun on kiinnitettävä huomiota pieniin yksityiskohtiin, kuten tähän, ja aina varmistettava koodin testaaminen.
Generoitu koodi näyttää toimivalta koodilta. Kuitenkin tulosteesta puuttuu tärkeä `import`-lause, eli `import json`. Vaikka nämä mallit pystyvät generoimaan toimivaa koodia, on tärkeää kiinnittää huomiota pieniin yksityiskohtiin, kuten tähän, ja aina varmistaa koodin toimivuus testaamalla.
## Funktion Täydentäminen

2
fi-pages/applications/generating.fi.mdx
View File

@ -1,5 +1,5 @@
# Datan Generointi
Suurten kielimallien (LLM) avulla voidaan luoda yhtenäistä tekstiä. Tehokkaat kehote-strategiat voivat ohjata mallia tuottamaan parempia, johdonmukaisempia ja todenmukaisempia vastauksia. LLM:t ovat myös erityisen hyödyllisiä datan generoinnissa, mikä on erittäin hyödyllistä kaikenlaisten kokeiden ja arviointien suorittamisessa. Esimerkiksi voimme käyttää sitä luomaan nopeita näytteitä tunnesentimenttien luokittelijalle seuraavasti:
Suurten kielimallien (LLM) avulla voidaan luoda yhtenäistä tekstiä. Tehokkaat kehote-strategiat auttavat ohjaamaan mallia tuottamaan parempia, johdonmukaisempia ja todenmukaisempia vastauksia. LLM:t ovat erityisen hyödyllisiä datan generoinnissa, joka on tärkeä osa monenlaisten kokeiden ja arviointien suorittamista. Esimerkiksi, voimme käyttää LLM:tä nopeiden näytteiden luomiseen tunnesentimenttien luokittelijalle seuraavasti:
*Kehote:*
```