锦中人工智能助手

# 定义一个简单的知识库

knowledge_base = {

"什么是AI？": "AI是人工智能的缩写，指的是由人创造的能够执行智能任务的系统。",

"AI有哪些应用？": "AI广泛应用于图像识别、语音识别、自动驾驶、医疗诊断等多个领域。",

"如何学习AI？": "你可以从编程基础开始，学习Python，然后深入学习机器学习和深度学习的相关知识。",

"AI会取代人类吗？": "AI不会完全取代人类，而是作为工具来增强人类的能力。",

"南昌有哪些高校？": "南昌有江西师范大学、南昌大学、江西财经大学等多所高校。"

}

import jieba

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.metrics.pairwise import cosine_similarity

# 分词函数

def tokenize(text):

return ' '.join(jieba.cut(text))

# 将知识库中的问题进行分词和向量化

questions = list(knowledge_base.keys())

tokenized_questions = [tokenize(q) for q in questions]

vectorizer = TfidfVectorizer()

tfidf_matrix = vectorizer.fit_transform(tokenized_questions)

# 用户输入

user_input = input("请输入你的问题：")

tokenized_input = tokenize(user_input)

input_vector = vectorizer.transform([tokenized_input])

# 计算相似度

similarities = cosine_similarity(input_vector, tfidf_matrix).flatten()

# 找到最相似的问题

most_similar_index = similarities.argmax()

answer = knowledge_base[questions[most_similar_index]]

print("根据你的问题，我找到了以下答案：")

print(answer)

from transformers import AutoTokenizer, AutoModelForQuestionAnswering

import torch

# 加载预训练模型和分词器

model_name = "bert-base-uncased"

tokenizer = AutoTokenizer.from_pretrained(model_name)

model = AutoModelForQuestionAnswering.from_pretrained(model_name)

# 用户输入

user_input = input("请输入你的问题：")

context = "南昌市是江西省的省会城市，拥有众多高校，如南昌大学、江西师范大学等。"

# 输入编码

inputs = tokenizer.encode_plus(user_input, context, return_tensors="pt")

# 模型推理

with torch.no_grad():

outputs = model(**inputs)

# 获取答案

answer_start = torch.argmax(outputs.start_logits)

answer_end = torch.argmax(outputs.end_logits) + 1

answer = tokenizer.convert_tokens_to_string(tokenizer.convert_ids_to_tokens(inputs["input_ids"][0][answer_start:answer_end]))

print("根据我的理解，答案是：")

print(answer)