ChatGPT_Academic｜ChatGPT多功能拓展插件安装教程
科研工作专用ChatGPT拓展，特别优化学术Paper润色体验，支持自定义快捷按钮，支持自定义函数插件，支持markdown表格显示，Tex公式双显示，代码显示功能完善，新增本地Python/C++/Go项目树剖析功能/项目源代码自译解能力，新增PDF和Word文献批量总结功能/PDF论文全文翻译功能。
Note
- 请注意只有“红颜色”标识的函数插件（按钮）才支持读取文件。目前对
Word格式文件的支持插件正在逐步完善中，需要更多developer的帮助。- 本项目中每个文件的功能都在自译解
self_analysis.md详细说明。随着版本的迭代，您也可以随时自行点击相关函数插件，调用GPT重新生成项目的自我解析报告。- 如果您不太习惯部分中文命名的函数、注释或者界面，您可以随时点击相关函数插件，调用ChatGPT一键生成纯英文的项目源代码。
- 项目使用OpenAI的
GPT-3.5-Turbo模型，期待GPT-4早点放宽门槛。
| 功能 | 描述 |
|---|---|
| 一键润色 | 支持一键润色、一键查找论文语法错误 |
| 一键中英互译 | 一键中英互译 |
| 一键代码解释 | 可以正确显示代码、解释代码 |
| 自定义快捷键 | 支持自定义快捷键 |
| 配置代理服务器 | 支持配置代理服务器 |
| 模块化设计 | 支持自定义高阶的实验性功能与[函数插件]，插件支持热更新 |
| 自我程序剖析 | [函数插件] 一键读懂本项目的源代码 |
| 程序剖析 | [函数插件] 一键可以剖析其他Python/C/C++/Java项目树 |
| 读论文 | [函数插件] 一键解读latex论文全文并生成摘要 |
| 批量注释生成 | [函数插件] 一键批量生成函数注释 |
| chat分析报告生成 | [函数插件] 运行后自动生成总结汇报 |
| arxiv小助手 | [函数插件] 输入arxiv文章url即可一键翻译摘要+下载PDF |
| PDF论文全文翻译功能 | [函数插件] PDF论文提取题目&摘要+翻译全文（多线程） |
| 谷歌学术统合小助手 (Version>=2.45) | [函数插件] 给定任意谷歌学术搜索页面URL，让GPT帮你选择有趣的文章 |
| 公式显示 | 可以同时显示公式的tex形式和渲染形式 |
| 图片显示 | 可以在markdown中显示图片 |
| 多线程函数插件支持 | 支持多线调用chatgpt，一键处理海量文本或程序 |
| 支持GPT输出的markdown表格 | 可以输出支持GPT的markdown表格 |
| 启动暗色gradio主题 | 在浏览器url后面添加/?__dark-theme=true可以切换dark主题 |
| …… | …… |
界面展示
自定义
所有按钮都通过读取functional.py动态生成，可随意加自定义功能，解放粘贴板。
润色
包含纠错功能
Markdown
支持GPT输出的markdown表格
公式
如果输出包含公式，会同时以tex形式和渲染形式显示，方便复制和阅读。
代码分析
懒得看项目代码？直接使用chatgpt_academic进行代码分析。
GitHub
项目开源地址：binary-husky/chatgpt_academic
部署教程
如果您是初学者，对于命令行不太理解，那么请按下键盘上的Win键+R键后，在弹出的新窗口内输入CMD并按下回车，打开CMD窗口，按顺序执行如下的每一条命令。
首先我们需要确认一个工作目录，用来存放chatgpt_academic的相关文件。本站所选择的目录为D盘的根目录下openai.wiki文件夹，完整路径为：D:\openai.wiki。
1.检测D盘是否在openai.wiki，没有则创建该文件夹。
if not exist D:\openai.wiki mkdir D:\openai.wiki
2.拉取Github仓库文件夹，将下载至openai.wiki文件夹。
git clone https://github.com/binary-husky/chatgpt_academic.git
注意：如果您无法完成第2步，执行后报错或者无法下载，可以下载该文件将其解压至D:\openai.wiki即可。
3.强制切换工作路径为D盘的openai.wiki\chatgpt_academic文件夹。
cd /d D:\openai.wiki\chatgpt_academic
配置API_KEY和代理设置
相关描述
在配置Config相关内容之前，我们应该先新建一个名为config_private.py的配置文件，不需要直接修改项目内的config.py文件。因为该项目会优先读取config_private.py文件，如果config_private.py不存在才会读取config.py文件。这样做的目的是可以让config_private.py不受git管控，更加安全。
在config_private.py海外Proxy和OpenAI API KEY。
- 海外Proxy
- 关于此部分内容较为敏感，请自行搜索。本站所使用的魔法工具端口为7890，如果您使用的工具是Cl**h可直接与本站设置相同，将Proxy设置为默认的7890即可。
- OpenAI API KEY
- 关于openAI的API Key可前往该网址获取https://platform.openai.com/account/api-keys
配置说明
⚠️警告：魔法地区必须设置为欧美地区，否则即便可以正常使用，也极有可能会存在封号的危险。
以下是本站的config_private.py文件夹内容，本站仅修改了3行内容，请根据自身情况修改。
- 第2行
- 您自行获取到的
OpenAI API KEY
- 您自行获取到的
- 第5行
- 是否使用魔法？我们将其设置为
True。
- 是否使用魔法？我们将其设置为
- 第16和17行
- 可能有些人不知道自己的魔法工具是链接方式是哪一种协议，但这不重要，我们将这两行的端口都进行修改即可。
# [step 1]>> 例如： API_KEY = "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" （此key无效）
API_KEY = "sk-vl82***yHOx4l***pwSOT3Blb***JBEBlJ***FZ80CZP***S"
# [step 2]>> 改为True应用代理，如果直接在海外服务器部署，此处不修改
USE_PROXY = True
if USE_PROXY:
# 填写格式是 [协议]:// [地址] :[端口]，填写之前不要忘记把USE_PROXY改成True，如果直接在海外服务器部署，此处不修改
# 例如 "socks5h://localhost:11284"
# [协议] 常见协议无非socks5h/http; 例如 v2**y 和 ss* 的默认本地协议是socks5h; 而cl**h 的默认本地协议是http
# [地址] 懂的都懂，不懂就填localhost或者127.0.0.1肯定错不了（localhost意思是代理软件安装在本机上）
# [端口] 在代理软件的设置里找。虽然不同的代理软件界面不一样，但端口号都应该在最显眼的位置上
# 代理网络的地址，打开你的科学上网软件查看代理的协议(socks5/http)、地址(localhost)和端口(11284)
proxies = {
# [协议]:// [地址] :[端口]
"http": "socks5h://localhost:7890",
"https": "socks5h://localhost:7890",
}
else:
proxies = None
# [step 3]>> 以下配置可以优化体验，但大部分场合下并不需要修改
# 对话窗的高度
CHATBOT_HEIGHT = 1115
# 代码高亮
CODE_HIGHLIGHT = True
# 窗口布局
LAYOUT = "LEFT-RIGHT" # "LEFT-RIGHT"（左右布局） # "TOP-DOWN"（上下布局）
# 发送请求到OpenAI后，等待多久判定为超时
TIMEOUT_SECONDS = 25
# 网页的端口, -1代表随机端口
WEB_PORT = -1
# 如果OpenAI不响应（网络卡顿、代理失败、KEY失效），重试的次数限制
MAX_RETRY = 2
# OpenAI模型选择是（gpt4现在只对申请成功的人开放）
LLM_MODEL = "gpt-3.5-turbo"
# OpenAI的API_URL
API_URL = "https://api.openai.com/v1/chat/completions"
# 设置并行使用的线程数
CONCURRENT_COUNT = 100
# 设置用户名和密码（相关功能不稳定，与gradio版本和网络都相关，如果本地使用不建议加这个）
# [("username", "password"), ("username2", "password2"), ...]
AUTHENTICATION = []
环境安装
为不影响电脑中的现有环境，请一定要安装Conda，如果您不知道什么是Conda，或者未安装过Conda，请参考如下文章，安装部署Conda之后再继续以下步骤。
在CMD中执行下面的命令行，创建Conda虚拟环境至该项目的目录中，方便日后重装系统也能够正常使用，无需重新部署环境。
conda create -p D:\openai.wiki\chatgpt_academic\ENV python=3.11
执行完成上面的命令之后，将会在CMD窗口中看到Proceed ([y]/n)?提示，我们直接按下回车即可。
初始化Conda环境，避免后续可能报错。
conda init cmd.exe
激活已创建的Conda环境，这样我们可以将我们后续所需要的所有环境依赖都安装至此环境下。
conda activate D:\openai.wiki\chatgpt_academic\ENV
为避免出现问题，我们再次强制切换至chatgpt_academic的项目路径，确保一切可以正常安装。
cd /d D:\openai.wiki\chatgpt_academic
注意：执行此步骤时尽量不要修改源文件，因为官方源或清华大学源可能导致安装失败，如果您看不懂我在说什么，那么直接执行如下命令即可。
python -m pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/
一般来说，不会出现任何问题，直接等待自动安装完成即可。
魔法测试
为了检测您的魔法设置是否正确，可以执行如下代码。如果执行该代码后能够得到正确显示您的魔法地区位置，那么则代表您的魔法设置成功。
python check_proxy.py
本站执行代码后得到的返回结果如下（已删除相关敏感信息）：
(D:\openai.wiki\chatgpt_academic\ENV) D:\openai.wiki\chatgpt_academic>python check_proxy.py [PROXY]... 呆梨配置 so***5h://localhost:7890, 呆梨所在地：Netherlands（荷兰）
启动教程
以后您每次重启电脑或脚本，都需要先按顺序执行以下操作才能够正常使用。
执行如下代码，强制进入chatgpt_academic的项目目录。
cd /d D:\openai.wiki\chatgpt_academic
执行如下代码，激活chatgpt_academic的Conda环境。
conda activate D:\openai.wiki\chatgpt_academic\ENV
执行如下代码，启动chatgpt_academic的WebUI界面。
python main.py
使用教程
在我们执行完成启动UI界面的命令之后，脚本将会自动打开您的浏览器，并且在浏览器内自动打开网址http://localhost:2835/?__dark-theme=true，也就是暗色模式的WebUI界面。
同时我们在CMD窗口内还会看到一些其它信息，可能与您的略有不同。
(D:\openai.wiki\chatgpt_academic\ENV) D:\openai.wiki\chatgpt_academic>python main.py
[PROXY] 网络代理状态：已配置。配置信息如下： {'http': 'socks5h://localhost:7890', 'https': 'socks5h://localhost:7890'}
[API_KEY] 您的 API_KEY 是: sk-rW3npC0vwff2*** API_KEY 导入成功
所有问询记录将自动保存在本地目录./gpt_log/chat_secrets.log, 请注意自我隐私保护哦！
查询代理的地理位置，返回的结果是{'error': True, 'reason': 'RateLimited', 'message': 'Visit https://ipapi.co/ratelimited/ for details'}
呆梨配置 so***5h://localhost:7890, 呆梨所在地：Netherlands
如果浏览器没有自动打开，请复制并转到以下URL：
（亮色主题）: http://localhost:2835
（暗色主题）: http://localhost:2835/?__dark-theme=true
Running on local URL: http://0.0.0.0:2835
Running on public URL: https://3116c7f02626c1ef0e.gradio.live
This share link expires in 72 hours. For free permanent hosting and GPU upgrades (NEW!), check out Spaces: https://huggingface.co/spaces
根据上面的内容，有用的信息如下：
- 亮色模式的网址为：http://localhost:2835
- 暗色模式的网址为：http://localhost:2835/?__dark-theme=true
- 本地运行的IP地址为
localhost，也就是127.0.0.1。 - 局域网的IP6地址为：https://3116c7f02626c1ef0e.gradio.live，各位请注意，这是本站的IP6地址，您的IP6地址肯定与本站所提供的不一致，所以您的局域网IP地址请自行获取。关于这一部分有什么作用呢？那就是您可以不局限于此电脑内使用该项目，您连接自己WIFI的任何设备都可以打开该地址使用
chatgpt_academic的相关功能，哪怕躺在床上用手机控制chatgpt_academic，非常方便。 - 注意：最后一行的内容为
This share link expires in 72 hours. For free permanent hosting and GPU upgrades (NEW!), check out Spaces: https://huggingface.co/spaces，翻译成中文为此共享链接将在 72 小时后过期。 如需免费永久托管和 GPU 升级（新！），请查看 Spaces：https://huggingface.co/spaces。也就是说，如果您持续运行时间达到72小时，局域网内的其它设备将无法正常访问，我们届时重启一下chatgpt_academic的启动脚本即可，其时这是无关仅要的，因为一般很少有人会持续运行三天。
功能测试
我们可以使用一个案例来尝试该项目能否正常运行，也就是您检测的海外Proxy和OpenAI API KEY配置是否正确。
我们在输入区填写以下内容，然后点击解析整个Python项目按钮，尝试是否能够正常运行。
注意：输入区必须填写绝对路径，否则会报错。所以您的路径如果与本站不一致，请自行修改。
D:/openai.wiki/chatgpt_academic/crazy_functions/test_project/python/dqn
关于示例dqn.py的源码内容如下，可自行参考分析结果是否正确：
from typing import Any, Dict, List, Optional, Tuple, Type, Union
import gym
import numpy as np
import torch as th
from torch.nn import functional as F
from stable_baselines3.common import logger
from stable_baselines3.common.off_policy_algorithm import OffPolicyAlgorithm
from stable_baselines3.common.preprocessing import maybe_transpose
from stable_baselines3.common.type_aliases import GymEnv, MaybeCallback, Schedule
from stable_baselines3.common.utils import get_linear_fn, is_vectorized_observation, polyak_update
from stable_baselines3.dqn.policies import DQNPolicy
class DQN(OffPolicyAlgorithm):
"""
Deep Q-Network (DQN)
Paper: https://arxiv.org/abs/1312.5602, https://www.nature.com/articles/nature14236
Default hyperparameters are taken from the nature paper,
except for the optimizer and learning rate that were taken from Stable Baselines defaults.
:param policy: The policy model to use (MlpPolicy, CnnPolicy, ...)
:param env: The environment to learn from (if registered in Gym, can be str)
:param learning_rate: The learning rate, it can be a function
of the current progress remaining (from 1 to 0)
:param buffer_size: size of the replay buffer
:param learning_starts: how many steps of the model to collect transitions for before learning starts
:param batch_size: Minibatch size for each gradient update
:param tau: the soft update coefficient ("Polyak update", between 0 and 1) default 1 for hard update
:param gamma: the discount factor
:param train_freq: Update the model every ``train_freq`` steps. Alternatively pass a tuple of frequency and unit
like ``(5, "step")`` or ``(2, "episode")``.
:param gradient_steps: How many gradient steps to do after each rollout (see ``train_freq``)
Set to ``-1`` means to do as many gradient steps as steps done in the environment
during the rollout.
:param optimize_memory_usage: Enable a memory efficient variant of the replay buffer
at a cost of more complexity.
See https://github.com/DLR-RM/stable-baselines3/issues/37#issuecomment-637501195
:param target_update_interval: update the target network every ``target_update_interval``
environment steps.
:param exploration_fraction: fraction of entire training period over which the exploration rate is reduced
:param exploration_initial_eps: initial value of random action probability
:param exploration_final_eps: final value of random action probability
:param max_grad_norm: The maximum value for the gradient clipping
:param tensorboard_log: the log location for tensorboard (if None, no logging)
:param create_eval_env: Whether to create a second environment that will be
used for evaluating the agent periodically. (Only available when passing string for the environment)
:param policy_kwargs: additional arguments to be passed to the policy on creation
:param verbose: the verbosity level: 0 no output, 1 info, 2 debug
:param seed: Seed for the pseudo random generators
:param device: Device (cpu, cuda, ...) on which the code should be run.
Setting it to auto, the code will be run on the GPU if possible.
:param _init_setup_model: Whether or not to build the network at the creation of the instance
"""
def __init__(
self,
policy: Union[str, Type[DQNPolicy]],
env: Union[GymEnv, str],
learning_rate: Union[float, Schedule] = 1e-4,
buffer_size: int = 1000000,
learning_starts: int = 50000,
batch_size: Optional[int] = 32,
tau: float = 1.0,
gamma: float = 0.99,
train_freq: Union[int, Tuple[int, str]] = 4,
gradient_steps: int = 1,
optimize_memory_usage: bool = False,
target_update_interval: int = 10000,
exploration_fraction: float = 0.1,
exploration_initial_eps: float = 1.0,
exploration_final_eps: float = 0.05,
max_grad_norm: float = 10,
tensorboard_log: Optional[str] = None,
create_eval_env: bool = False,
policy_kwargs: Optional[Dict[str, Any]] = None,
verbose: int = 0,
seed: Optional[int] = None,
device: Union[th.device, str] = "auto",
_init_setup_model: bool = True,
):
super(DQN, self).__init__(
policy,
env,
DQNPolicy,
learning_rate,
buffer_size,
learning_starts,
batch_size,
tau,
gamma,
train_freq,
gradient_steps,
action_noise=None, # No action noise
policy_kwargs=policy_kwargs,
tensorboard_log=tensorboard_log,
verbose=verbose,
device=device,
create_eval_env=create_eval_env,
seed=seed,
sde_support=False,
optimize_memory_usage=optimize_memory_usage,
supported_action_spaces=(gym.spaces.Discrete,),
)
self.exploration_initial_eps = exploration_initial_eps
self.exploration_final_eps = exploration_final_eps
self.exploration_fraction = exploration_fraction
self.target_update_interval = target_update_interval
self.max_grad_norm = max_grad_norm
# "epsilon" for the epsilon-greedy exploration
self.exploration_rate = 0.0
# Linear schedule will be defined in `_setup_model()`
self.exploration_schedule = None
self.q_net, self.q_net_target = None, None
if _init_setup_model:
self._setup_model()
def _setup_model(self) -> None:
super(DQN, self)._setup_model()
self._create_aliases()
self.exploration_schedule = get_linear_fn(
self.exploration_initial_eps, self.exploration_final_eps, self.exploration_fraction
)
def _create_aliases(self) -> None:
self.q_net = self.policy.q_net
self.q_net_target = self.policy.q_net_target
def _on_step(self) -> None:
"""
Update the exploration rate and target network if needed.
This method is called in ``collect_rollouts()`` after each step in the environment.
"""
if self.num_timesteps % self.target_update_interval == 0:
polyak_update(self.q_net.parameters(), self.q_net_target.parameters(), self.tau)
self.exploration_rate = self.exploration_schedule(self._current_progress_remaining)
logger.record("rollout/exploration rate", self.exploration_rate)
def train(self, gradient_steps: int, batch_size: int = 100) -> None:
# Update learning rate according to schedule
self._update_learning_rate(self.policy.optimizer)
losses = []
for _ in range(gradient_steps):
# Sample replay buffer
replay_data = self.replay_buffer.sample(batch_size, env=self._vec_normalize_env)
with th.no_grad():
# Compute the next Q-values using the target network
next_q_values = self.q_net_target(replay_data.next_observations)
# Follow greedy policy: use the one with the highest value
next_q_values, _ = next_q_values.max(dim=1)
# Avoid potential broadcast issue
next_q_values = next_q_values.reshape(-1, 1)
# 1-step TD target
target_q_values = replay_data.rewards + (1 - replay_data.dones) * self.gamma * next_q_values
# Get current Q-values estimates
current_q_values = self.q_net(replay_data.observations)
# Retrieve the q-values for the actions from the replay buffer
current_q_values = th.gather(current_q_values, dim=1, index=replay_data.actions.long())
# Compute Huber loss (less sensitive to outliers)
loss = F.smooth_l1_loss(current_q_values, target_q_values)
losses.append(loss.item())
# Optimize the policy
self.policy.optimizer.zero_grad()
loss.backward()
# Clip gradient norm
th.nn.utils.clip_grad_norm_(self.policy.parameters(), self.max_grad_norm)
self.policy.optimizer.step()
# Increase update counter
self._n_updates += gradient_steps
logger.record("train/n_updates", self._n_updates, exclude="tensorboard")
logger.record("train/loss", np.mean(losses))
def predict(
self,
observation: np.ndarray,
state: Optional[np.ndarray] = None,
mask: Optional[np.ndarray] = None,
deterministic: bool = False,
) -> Tuple[np.ndarray, Optional[np.ndarray]]:
"""
Overrides the base_class predict function to include epsilon-greedy exploration.
:param observation: the input observation
:param state: The last states (can be None, used in recurrent policies)
:param mask: The last masks (can be None, used in recurrent policies)
:param deterministic: Whether or not to return deterministic actions.
:return: the model's action and the next state
(used in recurrent policies)
"""
if not deterministic and np.random.rand() < self.exploration_rate:
if is_vectorized_observation(maybe_transpose(observation, self.observation_space), self.observation_space):
n_batch = observation.shape[0]
action = np.array([self.action_space.sample() for _ in range(n_batch)])
else:
action = np.array(self.action_space.sample())
else:
action, state = self.policy.predict(observation, state, mask, deterministic)
return action, state
def learn(
self,
total_timesteps: int,
callback: MaybeCallback = None,
log_interval: int = 4,
eval_env: Optional[GymEnv] = None,
eval_freq: int = -1,
n_eval_episodes: int = 5,
tb_log_name: str = "DQN",
eval_log_path: Optional[str] = None,
reset_num_timesteps: bool = True,
) -> OffPolicyAlgorithm:
return super(DQN, self).learn(
total_timesteps=total_timesteps,
callback=callback,
log_interval=log_interval,
eval_env=eval_env,
eval_freq=eval_freq,
n_eval_episodes=n_eval_episodes,
tb_log_name=tb_log_name,
eval_log_path=eval_log_path,
reset_num_timesteps=reset_num_timesteps,
)
def _excluded_save_params(self) -> List[str]:
return super(DQN, self)._excluded_save_params() + ["q_net", "q_net_target"]
def _get_torch_save_params(self) -> Tuple[List[str], List[str]]:
state_dicts = ["policy", "policy.optimizer"]
return state_dicts, []
配置正确
如果一切配置正常，那么将会得到如下结果，如图所示：
完整文本内容将会被自动保存至D:\openai.wiki\chatgpt_academic\gpt_log\chatGPT分析报告2023-04-09-12-41-53.md，打开之后的完整内容如下：
# chatGPT 分析报告 ## 接下来请你逐文件分析下面的工程[0/3] 请对下面的程序文件做一个概述: D:\openai.wiki\chatgpt_academic\crazy_functions\test_project\python\dqn\dqn.py 该文件是实现了深度Q网络（Deep Q-Network， DQN）的算法，在Stable-Baselines3框架下实现，该框架是OpenAI的一份强化学习库，可以用来构建，训练和评估强化学习算法。 该文件实现了一个继承自OffPolicyAlgorithm的DQN类。DQN类的构造器根据传入的参数构建DQN算法的模型，包括policy、环境env、学习率learning_rate、缓存区大小buffer_size、起始步长learning_starts、随机梯度下降小批量batch_size等参数。 该文件实现了针对Q-learning算法的一些改进，包括目标函数的稳定化和经验回放等，其中目标网络与当前网络相互独立，缓存区中储存了智能体的历史经验序列，策略通过学习缓存区中的样本经验更新。 其中_collect_rollouts()函数中实现了在环境中收集数据至缓存区，train()函数中实现了网络的训练和更新，predict()函数中实现了针对当前状态的Q值选择动作的逐步贪心策略。该DQN算法继承了Stable-Baselines3的OffPolicyAlgorithm类，所以也包括此类的属性和方法。 ## [1/3] 请对下面的程序文件做一个概述: D:\openai.wiki\chatgpt_academic\crazy_functions\test_project\python\dqn\policies.py 本程序文件是深度强化学习算法中的一个模块，负责定义了DQN的Q网络以及DQN算法所需的两个模型（当前模型和目标模型）和两个网络（行为网络和目标网络）。具体包括： 1. QNetwork类：Action-Value (Q-Value) network for DQN， 构建Q网络，包括输入观测和输出所有动作的Q值。 2. DQNPolicy类：包含Q-Value Net和目标网络的策略类， 用于定义DQN 需要构建的行为网络和目标网络。同时包含一个_update_features_extractor用于更新feature extractor 3. MlpPolicy类：继承DQNPolicy，指定features_extractor_class为FlattenExtractor，不使用cnn 4. CnnPolicy类： 继承DQNPolicy，指定features_extractor_class为NatureCNN,使用cnn，用于处理图像数据 5. register_policy函数，用于在算法的Policy类选项中注册自定义的Policy类：MlpPolicy和CnnPolicy。 整个程序实现了DQN算法的核心功能，即包括Q网络、行为网络和目标网络的构建，同时在DQNPolicy基础上提供了两种类型的policy, MlpPolicy和CnnPolicy分别适用于不同类型的观测空间。 ## [2/3] 请对下面的程序文件做一个概述: D:\openai.wiki\chatgpt_academic\crazy_functions\test_project\python\dqn\__init__.py 此程序文件名为__init__.py，包含了两个导入语句。第一个导入语句从stable_baselines3.dqn.dqn模块中导入DQN类，第二个导入语句从stable_baselines3.dqn.policies模块中导入了CnnPolicy和MlpPolicy类。该程序很可能是一个稳定基线算法库的包的初始化文件，提供了DQN类和两个策略类的导入。 ## 根据以上你自己的分析，对程序的整体功能和构架做出概括。然后用一张markdown表格整理每个文件的功能（包括dqn.py, policies.py, __init__.py）。 程序整体功能：实现了深度Q网络（DQN）算法，在Stable-Baselines3框架下实现，用于构建、训练和评估DQN算法。 程序的总体结构如下： | 文件名 | 功能描述 | | ------ | ------ | | dqn.py | 定义了DQN算法的主要逻辑和过程，包括缓存区管理、训练、更新等逻辑 | | policies.py | 定义了DQN算法中Q网络以及当前和目标模型等，包含了MlpPolicy和CnnPolicy两种策略定义 | | __init__.py | 包含了DQN类和两个策略类的导入 | 详细的功能描述如下： | 文件名 | 主要功能 | | ------ | ------ | | dqn.py | 实现了DQN算法的主要逻辑和过程，包括缓存区管理、训练、更新等逻辑 | | policies.py | 定义了DQN算法中Q网络以及当前和目标模型等，包含了MlpPolicy和CnnPolicy两种策略定义。 | | __init__.py | 包含了DQN类和两个策略类的导入。 | 注：此表格中，我们按照题目的要求对每个文件的功能进行了概述和整理，然而根据代码文件的具体实现情况，还有很多详细的细节和函数实现方式，这里没有一一列举出来。
这代表我们已经成功配置完成了所有相关内容和环境，已经可以获取正确的结果。
其它测试
以下是一些其它的测试方式案例，注意替换成自己的绝对路径。
- 测试C++项目头文件分析
input区域 输入 `./crazy_functions/test_project/cpp/libJPG` ， 然后点击 "[实验] 解析整个C++项目（input输入项目根路径）"
- 测试给Latex项目写摘要
input区域 输入 `./crazy_functions/test_project/latex/attention` ， 然后点击 "[实验] 读tex论文写摘要（input输入项目根路径）"
- 测试Python项目分析
input区域 输入 `./crazy_functions/test_project/python/dqn` ， 然后点击 "[实验] 解析整个py项目（input输入项目根路径）"
- 测试自我代码解读
点击 "[实验] 请解析并解构此项目本身"
- 测试实验功能模板函数（要求gpt回答历史上的今天发生了什么），您可以根据此函数为模板，实现更复杂的功能
点击 "[实验] 实验功能函数模板"
配置错误
如果您的配置是不正确的，将会得到以下几种报错信息。
API位数错误
如果您在配置文件中所填写的openAI API Key位置多或少，那么在您启动chatgpt_academic时，将会得到如下错误：
(D:\openai.wiki\chatgpt_academic\ENV) D:\openai.wiki\chatgpt_academic>python main.py
[PROXY] 网络呆梨状态：已配置。配置信息如下： {'http': 'so***5h://localhost:7890', 'https': 'so***5h://localhost:7890'}
Traceback (most recent call last):
File "D:\openai.wiki\chatgpt_academic\main.py", line 3, in <module>
from request_llm.bridge_chatgpt import predict
File "D:\openai.wiki\chatgpt_academic\request_llm\bridge_chatgpt.py", line 26, in <module>
get_conf('proxies', 'API_URL', 'API_KEY', 'TIMEOUT_SECONDS', 'MAX_RETRY', 'LLM_MODEL')
File "D:\openai.wiki\chatgpt_academic\toolbox.py", line 466, in get_conf
r = read_single_conf_with_lru_cache(arg)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "D:\openai.wiki\chatgpt_academic\toolbox.py", line 451, in read_single_conf_with_lru_cache
assert False, "正确的 API_KEY 是 'sk-' + '48 位大小写字母数字' 的组合，请在config文件中修改API密钥, 添加海外代理之后再运行。" + \
AssertionError: 正确的 API_KEY 是 'sk-' + '48 位大小写字母数字' 的组合，请在config文件中修改API密钥, 添加海外代理之后再 运行。（如果您刚更新过代码，请确保旧版config_private文件中没有遗留任何新增键值）
可重新获取API，然后将其填写至配置文件中，注意API是被双引号所包裹的，以sk-做为开着形状的形式，例如"sk-************************"，共计48位。
API信息错误
在您运行时，如果遇到下图情况，那么代表您API位数正确，但是API的密钥错误。
[Local Message] Incorrect API key. OpenAI以提供了不正确的API_KEY为由，拒绝服务.
Json异常 “error”: { “message”: “Incorrect API key provided: sk-rW3np***************************************QyKW. You can find your API key at https://platform.openai.com/account/api-keys.”, “type”: “invalid_request_error”, “param”: null, “code”: “invalid_api_key” }}
同样前往openAI的官网重新获取API即可，然后将其填写至配置文件中。
总结
ChatGPT的小工具越来越多啦，以后将会是非常高效的生产力工具。chatgpt_academic由中科院提供，安全性值得信赖，专业性也同样不用质疑。后续本站将会为您提供每一个功能的详细讲解，敬请期待。
广告：如果您没有ChatGPT的API密钥，可以通过本文章右侧边栏的增值服务，在本站购买API专用账号。
此文章由OpenAI开源维基百科原创发布，如若转载请注明出处：https://openai.wiki/chatgpt_academic.html
评论列表（3条）
请问 “关于openAI的API Key可前往该网址获取https://platform.openai.com/account/api-keys”这个网站登不上去怎么办
@zzzyyy：这个需要开魔法的
AttributeError: ‘Row’ object has no attribute ‘style’,最后一句执行会出现这个，请问是什么原因，大佬