最近正好在攻克AI用例生成的技术，所以恰好弄到了这个知识点，踩了个坑，觉得挺有意义，就特此记录一下~
背景：torch是python的一个训练AI模型的第三方库，挺好用的，但是参数都得是数字，也就是你的各种业务需求，都要先想办法转换成多角度画像的数字才能利用后续的什么均方差、随机梯度下降这种算法。当然，这并不难，任何事务都可以用纯数字来表示，比如我自己，性别:1（1表示男，2表示女），身高:174，年龄:33，日收入:900，爱好:1 (1代表游戏，2代表运动，3代表旅游) 等等.... ，这样一个人就可以用一大串数字组成的列表来代表：[1,174,33,900,1]
这里说一下为什么用日收入，因为少啊！你用年收入，六位数了都！这对于其他数据 才1-3位来说，属于一个噪声数据，会让整个模型很糟糕很难预测，所以准备数据一般都要平滑一点，这叫归一化或标准化处理。
正文：
然后，你比如想要的一个预测模型，预测目的比如是你在多少岁可以结婚？那么这个结婚年龄，就是模型的一个输出。当然，你可以继续预测更多内容，比如你什么时候暴富... ，所以结果可能就是这样的列表[28,31]
大家看一下，输入是[1,174,33,900,1] ,输出是[28,31] 。那么这就是一条数据，一个人的数据而已。如果你想使用这个模型真的去预测别人。那么你起码要有很多很多人的真实数据才能训练出来。
然后你去网上找了很多人的这个数据，然后所有输入都放在了一个大列表中，就会变成这样的一个二维列表
[ [1,174,33,900,1] , [2,164,21,100,3] ,[1,174,49,150,2] ... ]
然后输出也给存放到一起变成一个大二维列表
[ [28,31],[25,42],[24,51] ...]
所以，接下来我们就简单的写一下这个模型：（当然前提是你要pip下载torch，然后直接复制到你本地运行就可以看到结果）
这里，我print的是每次的损失值，损失值越小代表越精准。在实际使用中，一般会进行的循环要求损失值小于多少才会停止，而不是这样直接写死10000次。但有些时候因为数据选的不好，所以永远也降不到损失值以下，那就会设置一个最高循环次数比如10000来结束。
看看损失值在开始的时候还是很大的：
但是最后的时候不但稳定而且很小：
还有，给的数据越多，预测误差就越小，循环次数越多也越小，但是执行时间就会比较高，没办法。
在结束后，我们可以直接保存好这个模型，以便之后调用其来预测新人的结婚和暴富年龄等，这可是根据大数据来预测的，可不是网上那种随机结果的骗人小程序哦~ 大家可以部署后输入自己身边亲朋好友同学等人的基本信息，本地训练，然后预测自己的。毕竟大家都是一个地区和圈子内，结果应该比较准。
然后保存模型：（红圈代码，代码和之前训练的一起重新运行！才会保存！）
再次运行后，保存了这个模型文件：WQRF_AI.pt
这就是永久存储到你本地的模型了，之后要预测啥，直接调用就可以，很多同学喜欢网上下载一些AI的模型，大多也是.pt，就是这样生成的~ 以后就不用到处去网上搜还要下载了，这回当一个真正的极客，自己写模型！
然后就是使用：（你可以直接在当前文件继续写调用函数，只是再运行就别运行make_AI了，那是用来训练的。咱直接运行play_AI，这是直接用模型预测的！）
我们来假设有个女生：30岁，1米68，日收入1000，喜欢旅游。看看几岁结婚几岁暴富！
好，然后我们看看预测的结果：
答案出来了！25岁结婚！41岁暴富！
注意，这个模型因为已经有上万次的训练，所以非常精准，无论再预测几次结果都不会变。但是一开始给的三个数据确实假的，所以这个结果也是假的。大家请用自己身边至少几十个人的数据来训练才会有借鉴意义哦~
这，就是一个很简单的模型的创建和使用了~
目前，我已经成功把AI技术应用到了测试领域的一些场景中。
【 测试排期预测】需要多少天，什么时候封板，会有多少bug，有多大风险等均可根据大数据预测。结果根据学员反馈几乎精准无比！
【简历优化】目前更多依靠GPT和算法的结合哦，但是因为训练数据不足，所以优化效果和我亲自优化差很多。
【用例生成】同时融合了 GPT + 用例生成算法 + 本地AI 来生成用例，能帮助使用者节省80%的用例编写时间哦~ 但并不能完全替代测试，请不要裁掉我们！
【脚本预测】对自动化脚本的各种指标进行静态预测，比如需要运行多久，误报率多高，能发现多少bug，什么时候适合执行等等。已经半成熟了，可以拿出来讲了！
【自动找BUG】一般来说，代码的bug直接交给GPT就可以，但是我这里说的是业务上的bug，并非语法或者代码层面的。要根据需求和开发者和产品经理等指标来找出最可能发生bug的操作行为，这个技术目前是我正在攻克了一半的，所以暂时没有加入到课程和公众号文章连载中哦~ 请大家耐心等待。
但是，上面给大家讲的只是最简单最简单的一个应用。下一节文章，我会给大家讲，在更复杂的更高维的场景中，这个AI模型的代码要怎么改！
欢迎收藏+点赞，一键三连！