文心一言 VS 讯飞星火 VS chatgpt （18）-- 算法导论4.1 5题

Posted 2023-05-20 福大大架构师每日一题

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了文心一言 VS 讯飞星火 VS chatgpt （18）-- 算法导论4.1 5题相关的知识，希望对你有一定的参考价值。

五、使用如下思想为最大子数组问题设计一个非递归的、线性时间的算法。从数组的左边界开始，由左至右处理，记录到目前为止已经处理过的最大子数组。若已知 A[1..j]门的最大子数组，基于如下性质将解扩展为 A[1..j+1]的最大子数组:A[1..j+1]的最大子数组要么是A[1..j]的最大子数组，要么是某个子数组 Ai..j+1。在已知A[1..j]的最大子数组的情况下，可以在线性时间内找出形如 A[i..j+1]的最大子数组。

文心一言：

最大子数组问题是一种经典的算法问题，可以使用非递归的方法来解决。具体来说，我们可以使用一个队列来存储当前已经处理过的最大子数组，并且维护一个变量 max_len 来记录当前最大子数组的长度。同时，我们可以遍历整个数组，记录当前已经处理过的最大子数组的长度，并且在遍历的过程中更新 max_len。

具体来说，我们可以使用一个变量 cur_len 来记录当前已经处理过的最大子数组的长度，每当遍历到一个新的子数组时，我们可以将其长度加入到 cur_len 中，并且更新 max_len。同时，我们可以使用一个变量 cur_start 来记录当前已经处理过的最大子数组的起始位置，每当遍历到一个新的子数组时，我们可以将其起始位置加入到 cur_start 中，并且更新 cur_len。

最后，我们可以返回 cur_start，它是 max_len。这个值就是最大子数组中起始位置最右边的元素的下标，我们可以用它来解决最大子数组问题。

下面是一个使用 Python 实现的非递归的最大子数组问题的算法：

def maxSubArray(nums):  
    max_len = 0  
    cur_start = 0  
    cur_len = 0  
    queue = []  
    for i in range(len(nums)):  
        if cur_len == max_len:  
            return -1  
        if nums[i] > nums[cur_start]:  
            cur_len += nums[i] - nums[cur_start]  
            cur_start = i  
        if i > cur_start:  
            cur_len -= nums[i - cur_start]  
            cur_start = i  
        queue.append(cur_start)  
        cur_start += nums[i]  
    if cur_len == max_len:  
        return -1  
    return queue

这个算法的时间复杂度为 O(n)，其中 n 是数组 nums 的长度。

讯飞星火：

算法步骤：

1.初始化最大子数组为整个数组的第一个元素。

2.从左至右遍历数组，每次比较当前元素与最大子数组的末尾元素的大小关系，如果当前元素大于最大子数组的末尾元素，则将最大子数组的末尾元素更新为当前元素。

3.如果遍历到数组的末尾，仍然没有找到比最大子数组更大的末尾元素，则最大子数组就是整个数组。

4.如果遍历到某个位置i时，发现A[i]大于等于最大子数组的末尾元素，并且A[i+1]也大于等于最大子数组的末尾元素，则可以将最大子数组扩展到A[i]..A[j+1],其中j+1即为扩展后的最大子数组的长度。

5.如果遍历完数组后仍未找到可以扩展的最大子数组，则返回最大子数组。

时间复杂度为O(n),空间复杂度为O(1)。

chatgpt：

基于上述性质，可以设计一个非递归的、线性时间的算法来解决最大子数组问题。算法的主要思路如下：

首先初始化两个变量：max_so_far和max_ending_here。它们都初始化为第一个元素。
然后从第二个元素开始遍历整个数组。对于每个元素，更新max_ending_here = max(A[i], max_ending_here + A[i])，表示包含A[i]的最大子数组。同时更新max_so_far，表示到目前位置的最大子数组。
如果max_ending_here小于0，则说明当前处理的子数组已经不是最大子数组中的一部分了，需要从下一个元素重新开始计算新的子数组。
在遍历过程中，记录下max_so_far，即可得到整个数组的最大子数组。

该算法的时间复杂度为O(n)，其中n为数组的长度，因为只需要一次遍历数组即可找到最大子数组。而空间复杂度为O(1)，因为只需要常数级别的额外空间来存储变量。下面是该算法的Go语言实现示例：

func maxSubArray(nums []int) int 
    if len(nums) == 0 
        return 0
    

    maxSoFar := nums[0]
    maxEndingHere := nums[0]

    for i := 1; i < len(nums); i++ 
        maxEndingHere = max(nums[i], maxEndingHere+nums[i])
        maxSoFar = max(maxSoFar, maxEndingHere)
    

    return maxSoFar


func max(a, b int) int 
    if a > b 
        return a
    
    return b

其中max函数用来比较两个数的大小，返回较大的那个数。

个人首测百度文心一言 VS ChatGPT GPT-4

昨天我写了一篇文章GPT-4牛是牛，但这几天先别急,文中我测试了用GPT-4回答ChatGPT 3.5 和 Notion AI的问题，大家期待的图片输入也没有出现。

昨天下午百度发布了文心一言，对标ChatGPT，录屏+无实机演示让百度股价暴跌。但是晚上百度就开放了个人的体验申请

https://yiyan.baidu.com/welcome

朋友圈有好兄弟申请通过了，帮忙问了几个问题，我把百度文心一言的回答和GPT-4的回答一并贴上。

数学问题：三分之一加五分之一等于多少？

文心一言：

GPT-4:
为了计算这个分数相加的问题，我们需要找到它们的最小公倍数，然后将它们转换为相同的分母。

三分之一加五分之一：1/3 + 1/5

首先找到最小公倍数，这里是15。然后将两个分数转换为相同的分母：(1/3) * (5/5) = 5/15 (1/5) * (3/3) = 3/15

现在我们可以将这两个分数相加：5/15 + 3/15 = 8/15

所以，三分之一加五分之一等于8/15。

开放问题：前段时间AI绘画比较火热，比如DALL-E、Midjourney、Stable Diffusion等，很多人担心画师、设计师等会呗取代，你觉得呢？

文心一言：
从就业市场的角度来看，AI技术的发展对于设计行业可能有一定的影响。但是，这并不意味着画师和设计师会被取代，因为新的技术和工具正在不断涌现，使得设计师们有更多机会通过创意、数字化技术等方式来提高他们的工作效率和质量。此外，设计师还需要不断地学习新的知识和技能，以应对不断变化的市场和消费者需求。
因此，尽管AI绘画技术可能在某些方面会带来挑战，但设计师们仍然会继续在自己的领域中发挥重要作用。而且，随着技术的不断进步和更新，我们也可以期待更加智能、高效和个性化的设计解决方案出现，使得设计行业的未来充满无限可能。

GPT-4：
虽然近年来AI绘画技术取得了很多进展，诸如DALL-E、Midjourney和Stable Diffusion等项目已经展示了它们在创作领域的潜力，但这并不意味着传统的画师和设计师会被完全取代。AI工具和人类创作者之间的关系可以看作是互补的，而非竞争的。

以下是一些原因为什么AI不太可能完全取代画师和设计师：

独特的审美和风格：每位艺术家都有自己独特的审美观和艺术风格。尽管AI可以学习和模仿这些风格，但它很难替代真正的个人风格和原创性。

创意过程：艺术创作不仅仅是技巧的体现，还包括情感、观念和寓意等元素。AI目前还不能理解或表达这些复杂的人类情感和观念。

人际互动：艺术家和设计师与客户、观众和其他创作者进行沟通和合作，以满足特定需求或实现共同目标。AI在理解和处理这种人际互动方面的能力相对有限。

技术局限：虽然AI在绘画领域取得了显著的进步，但它仍然受到技术局限，例如在某些情况下可能产生无法预测的结果。

因此，AI绘画技术可以被视为一种强大的辅助工具，帮助画师和设计师提高生产效率，实现新的创意和视觉效果。它们可以相互激发和推动彼此的发展，而不是取代人类的创造力。

代码能力：线性回归模型基于统计学的实现，请给出python代码，并使用Markdown格式

文心一言：

import numpy as np  
 
from statsmodels.tsa.model import LinearRegression  
 
# 构建线性回归模型  
 
model = LinearRegression()  
 
# 定义训练数据  
 
X = np.array([-1.0, 1.0, 2.0, 3.0])  
 
y = np.array([1.0, 0.0, -1.0, 0.0])  
 
# 定义模型  
 
model.fit(X, y)  
 
# 输出模型估计值  
 
print(model.summary())  
 
# 绘制模型曲线  
 
line = model.predict(X)  
 
plt.plot(line)  
 
plt.show()

GPT-4：