Sechs Antworten auf eine Frage
Warum das wichtig ist Noch einmal zu fragen und die häufigste Antwort zu wählen, fühlt sich wie eine Zweitmeinung an. Stichproben aus einem Modell teilen seine Gewohnheiten, also kann die Mehrheit gemeinsam falsch liegen.
Der Assistenten-Output in dieser Lektion wurde für den Kurs in der exakten Form geschrieben, die echte Assistenten produzieren. Er ist keine Aufnahme eines bestimmten Modells.
EinA Teammitglied hat sechsmal nach "einer Funktion, die den Median einer Liste von Zahlen zurückgibt" gefragt. Vier der sechs Antworten wählen ein mittleres Element nach dem Sortieren, was für Listen mit gerader Länge falsch ist (der Median von [1, 2, 3, 4] ist 2.5). Eine dieser Antworten sortiert zudem die Liste des Aufrufers direkt. Zwei sind richtig. Stimmt über das ab, was sie zurückgeben, und eine falsche Antwort gewinnt mit drei zu zwei.
Sie auszuführen ist billiger als darüber zu streiten. Ein paar Fälle mit bekannten Antworten, einschließlich derjenigen, die die häufige Antwort verpasst, sortieren die sechs auf einmal.
load_sample führt den Code eines Samples hier in diesem Browser-Tab aus, wie deinen eigenen. Diese Samples wurden für den Kurs geschrieben. Mit echter Assistenten-Ausgabe lies sie zuerst und führe sie irgendwo Wegwerf-fähigem aus, wie in einem Container oder einer Wegwerf-virtuellen Maschine, niemals neben deinen Schlüsseln und Daten.
Self-consistency: das Sampling mehrerer Antworten und das Wählen der Mehrheit. Es hilft, wenn die Fehler zufällig sind; es hilft nicht, wenn das Modell einen systematischen blinden Fleck hat.
Schreibe rank(samples, name, cases). samples ist eine Liste von Code-Strings, wobei jeder eine Funktion namens name definieren soll. cases ist eine Liste von (args, expected)-Paaren, wobei args ein Tupel ist. Hol für jede Probe ihre Funktion mit load_sample(code, name) aus creative.samples; wenn das None ergibt (der Code konnte nicht ausgeführt werden oder definiert keine name), schlägt jeder Fall fehl. Ansonsten rufe die Funktion für jeden Fall auf (übergebe eine Kopie jedes Listen-Arguments, damit eine Probe den Fall für die nächste nicht ändern kann); ein Fall ist erfolgreich, wenn der Aufruf einen Wert zurückgibt, der gleich expected ist, und schlägt fehl, wenn er abweicht oder einen Fehler auslöst. Gib ein Dictionary pro Probe zurück, {"sample": i, "passed": n, "failed": [case indexes]}, zuerst die meisten Erfolge, bei Gleichstand nach dem Probenindex.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.