支持ChatGPT与Grok的对话导出为Markdown文本的插件

于 2025-03-03 09:52:41 发布
阅读量2k 收藏 24
点赞数 40
文章标签： chatgpt
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_60388871/article/details/145976782
版权

之前发过这篇文章，现在添加了支持Grok对话内容的基本无损导出为Markdown，所以后面的文案就不再重复写了，grok网站为：https://grok.com/

  • Google插件名称为：ChatGPT to MarkDown plus, 下载地址为ChatGPT to MarkDown plus
  • 使用方法：见GitHub主页或插件介绍页面
  • https://github.com/thisisbaiy/ChatGPT-To-Markdown-google-plugin/tree/main
    我将源代码上传至了GitHub，欢迎star, Issue
  • 下面是一些简介：支持代码，公式，链接的完整导出在Typora完美显示！

Chatgpt dialog Export to Markdown File

简介：

这个 Chrome 插件旨在帮助用户将 ChatGPT 网站上的聊天记录导出为标准的 Markdown 格式，使其更容易阅读和编辑。

功能：

  • 可以实现代码，公式，链接的完整导出，并且以标准的markdown格式显示！
  • 标准格式： 以标准的 Markdown 格式显示导出的内容，确保兼容性和易读性。

Typora 兼容性：

特别优化以确保导出的 Markdown 文件可以在 Typora 等 Markdown 编辑器中正确打开和显示。

通过这个插件，用户可以轻松地将 ChatGPT 网站上的聊天记录转换为 Markdown 格式，从而更方便地分享、编辑和存档他们的对话。

Introduction:

This Chrome extension aims to help users export chat records from the ChatGPT website into standard Markdown format, making them easier to read and edit.

Features:

  • Complete export of codes, formulas, links, and other content from chat records.
  • Standard Format: Display exported content in standard Markdown format, ensuring compatibility and readability.

Typora Compatibility:

  • Specially optimized to ensure that exported Markdown files can be correctly opened and displayed in Typora and other Markdown editors.

With this extension, users can effortlessly convert chat records from the ChatGPT website into Markdown format, making it more convenient to share, edit, and archive their conversations.

Step 1:

Download respository

Step2:

在这里插入图片描述

Select the repository folder and click to conform.

Step3:

When you open chatgpt website, you’ll see the Export Chat button
在这里插入图片描述

Select the chat you want to export, then click the green botton, you’ll get the .md file, which can be opened by Typora just like the image below:

Result:
在这里插入图片描述
在这里插入图片描述

【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
python:Sklearn SVM使用留一法时如何绘制ROC曲线与计算AUC
qq_38941890的博客
06-07 4715
在前面的一篇文章我们给出了使用Sklearn 中的SVM进行分类时如何使用留一法来进行分类。 python基于sklearn的SVM和留一法（LOOCV）进行二分类 如何在使用留一法时绘制ROC曲线和AUC 什么是ROC曲线和？这个可以参考如下的文章。 部分内容摘抄于此 ROC曲线与AUC面积定义原文链接 ROC曲线，全称The Receiver Operating Characteristic Curve，译为受试者操作特性曲线。这是一条以不同阈值下的假正率FPR为横坐标，不同阈值下的召回率Recall
matlab中SVM混淆矩阵,支持向量机的训练、测试、测量和混淆矩阵的绘制,SVM,实测,以及...
weixin_32409707的博客
03-21 1474
from sklearn.svm import SVCimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import classification_report,confusion_matrixfrom s...
matlab中SVM混淆矩阵,「数据分类」15支持向量机(SVM)及混淆矩阵
weixin_29706315的博客
03-21 2163
1.支持向量机(SVM)概述(1)支持向量机(Support Vector Machines，SVM)是一种二元分类模型，它是一类模型的统称，其中包括：①线性可分支持向量机；②线性支持向量机；③非线性支持向量机。(2)核心思想：训练阶段在特征空间中寻找一个超平面，它能(或尽量能)将训练样本中的正例和负例分离在它的两侧，预测时以该超平面作为决策边界判断输入实例的类别。寻找超平面的原则是，在可分离的情...
机器学习---混淆矩阵代码（使用支持向量机（SVM）算法对乳腺癌数据集进行二元分类，并对分类结果进行评估）
weixin_43961909的博客
07-27 1569
是scikit-learn库中的一个类，用于标签编码。它将一组文本或分类标签转换为从0。出现的标签自动构建编码映射关系。转换操作将原始标签转换为对应的编码值。方法同时执行了拟合和转换操作。如果你只需要进行转换，适用于单个列的标签编码。所有行）和从第2列到最后一列的所有列。拟合操作会根据数据中。将所选数据转换为NumPy数组。是一个DataFrame对象，或其他编码方法来处理分类特征。是用于按标签选择数据的方法。表示选择所有行（冒号表示。个列，你可能需要考虑使用。
SVM分类加混淆矩阵输出
tanlangqie的博客
05-27 7351
这篇文章主要讲解了如何利用SVM分类。并用在输出分类精度的同时输出混淆矩阵。 注意x_train,y_train,x_test,y_test,数据集需要用自己的数据，其中x为多维矩阵，y为类别列表 # coding=utf-8 import numpy as np from PIL import Image from sklearn import svm # 使用交叉验证的方法，把数据集分为...
数据挖掘小白系列!SVM与混淆矩阵
qq_35679701的博客
06-20 2855
本文章只用于学习交流不用于任何商业行为,所有知识点资料来源于网络,如有任何不当之处请私信联系,作者会及时改正 本文中总结自文档所有标注的页码都是附件参考文档中的页码 由于markdown不支持附件下载,附件链接如下 http://note.youdao.com/noteshare?id=05a144c93bd1f66d0a25881a5fe5ce65 1数据挖掘流程 ============================= 从实际应用来看，SVM在各种实际问题中都表现非常优秀。它在手写识别数字和人脸识别中
ROC,AUC及其基于Sklearn的实现
qq_36478773的博客
11-13 2164
ROC,AUC及其基于Sklearn的实现ROC和AUC的概念 ROC和AUC的概念 ROC的全称是Receiver Operating Characteristic Curve，中文名字叫“受试者工作特征曲线”，顾名思义，其主要的分析方法就是画这条特征曲线。 该曲线的横坐标为假阳性率（False Positive Rate, FPR），N是真实负样本的个数， FP是N个负样本中被分类器预测为正...
绘制AUC ROC 曲线 计算混淆矩阵
慧慧的博客
04-30 1185
绘制AUC ROC 曲线 计算混淆矩阵 准确率召回率曲线，曲线下面积等是机器学习中常用来检验模型的标准，话不多说，直接上代码。 # -*- coding: utf-8 -*- """ Created on Fri Apr 10 23:36:57 2020 @author: dell """ import h5py import numpy as np import matplotlib.pypl...
机器学习：性能度量篇-Python利用鸢尾花数据绘制ROC和AUC曲线
master_hunter的博客
09-26 5063
文章目录 前言 一、ROC与AUC 1.ROC 2.AUC 二、代码实现 总结 前言 内容接上一篇https://blog.csdn.net/master_hunter/article/details/108763729 上篇文章提到的这篇文章不做过多叙述。 提示：以下是本篇文章正文内容，下面案例可供参考 一、ROC与AUC 很多学习器是为了测试样本产生的一个实值或概率预测，然后将这个预测值与一个分类阈值（threshold）进行比较，若大于阈值则分为正类...
随机森林和SVM的分类，混淆矩阵绘制
05-27
基于matlab技术，探索了随机森林和svm的分类方法。具体过程见：https://blog.csdn.net/m0_68894275/article/details/125011731
MATLAB混淆矩阵
01-11
MATLAB输出混淆矩阵，将正确率以不同灰度表示输出图像
SVM，ROC读书报告
09-15
SVM的简要总结，详细的理论推导见http://blog.pluskid.org/?p=682,同时总结了ROC曲线的画法，并在本人blog中给出本人原创的在python环境下，libsvm的使用方法和绘制ROC曲线的方法。
plotroc.py 用于libsvm 画ROC图形
04-16
plotroc.py 用于libsvm分类器，画出ROC图形 进行分类器稳定性判断
基于sklearn库支持向量机（SVM）的模型构建并实现混淆矩阵
qq_42593798的博客
08-26 3184
1、导入所需库 from sklearn import svm from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import confusion_matrix from sklearn.metrics import accuracy_score 2、加载数据集（以iris为例） # load iris dataset
matlab中SVM混淆矩阵,如何使用LIBSVM从混淆矩阵中获得分类准确性？
weixin_33391446的博客
03-21 868
朋友，目前我正在使用LIBSVM在SVM分类器(5倍交叉验证)中工作。下面我提到了代码。总体而言，数据具有120个4个向量，具有3个类别。因此，每次折叠，trainData = 120×4，testData = 30×4。问题是，我必须从混淆矩阵中获得分类精度。 我需要下列问题的答案：如何使用LIBSVM从混淆矩阵中获得分类准确性？如何从混淆矩阵中得到每个类的分类准确率？概率估计需要什么？该术语所...
混淆矩阵以及ROC等这一系列指标，python写了一个类，可直接用
qq_36368388的博客
07-25 969
调用说明： c = ConfusionMatrix(y_true, y_pred) c.plot_confusion_matrix() # 混淆矩阵热力图可视化 c.level_1() # 打印混淆矩阵 c.accuary() # 准确率 c.precision(config=True) # 精确率, config 配置是否打印输出 c.recall(config=True) # 召回率 c....
模型评价标准之混淆矩阵
七月的博客
04-03 832
混淆矩阵 真实值是positive，模型认为是positive的数量（True Positive=TP） 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error） 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类错误（Type I...
机器学习分类结果评判标准-混淆矩阵&ROC曲线
coder_oyang的博客
09-27 3152
因为在实际中常常遇到失衡数据集的分类问题，在我的译文应对非均衡数据集分类问题的八大策略中，其中一种策略就是改变衡量模型性能的计算方式，那么怎么衡量模型分类性能呢？ 有ROC曲线，有混淆矩阵，有对应的实例 ROC曲线，横轴假阳性（样本为负，预测为正），纵轴真阳性（样本为正，预测为正），在每个可能的分类阈值下统计假阳性、真阳性，阈值越大曲线接近（0,0）点，阈值越小曲线趋近（1，1）点；通过AUC...
能不能给出相关代码，包括可视化方面，还有混淆矩阵，roc和auc
最新发布
11-19
当然可以，这里是一个简化的例子，我们将使用Python的`sklearn`库，结合`matplotlib`进行数据可视化，`scikit-learn.metrics`库来生成混淆矩阵、ROC曲线以及AUC值。假设我们已经有了一个预训练的分类模型（例如SVM或者随机森林）和测试数据： ```python # 导入必要的库 import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.metrics import confusion_matrix, roc_curve, auc # 加载鸢尾花数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 数据分割和预处理 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 训练模型 model = SVC(probability=True) model.fit(X_train, y_train) # 预测并计算混淆矩阵 y_pred = model.predict(X_test) conf_mat = confusion_matrix(y_test, y_pred) print("Confusion Matrix:\n", conf_mat) # ROC曲线和AUC y_scores = model.predict_proba(X_test)[:, 1] # 获取正类的概率预测 fpr, tpr, _ = roc_curve(y_test, y_scores) roc_auc = auc(fpr, tpr) plt.figure() plt.plot(fpr, tpr, label=f"ROC curve (area = {roc_auc:.2f})") plt.plot([0, 1], [0, 1], 'k--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic (ROC)') plt.legend(loc="lower right") plt.show() ``` 在这个例子中，我们首先创建了一个SVM分类器，并用训练数据拟合它。然后，对测试数据进行预测，得到分类结果和对应的概率得分。接着，利用这些得分计算混淆矩阵、绘制ROC曲线，并计算其面积(AUC)。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值