写下具体的代码实现方法

首先，需要准备好训练数据集，可以使用开源的数据集，比如Cornell Movie Dialogs Corpus。接着，需要使用Python编写代码，首先要加载预训练的GPT模型，可以使用Hugging Face提供的transformers库实现：

from transformers import GPT2LMHeadModel, GPT2Tokenizer

model_name = 'gpt2-medium'
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)

接下来，需要定义对话逻辑，比如用户输入一句话，模型会生成一句回答，然后再次等待用户输入。可以使用Python的while循环实现这个过程：

while True:
    user_input = input("You: ")
    input_ids = tokenizer.encode(user_input, return_tensors='pt')
    output = model.generate(input_ids=input_ids, max_length=50, num_beams=5, no_repeat_ngram_size=2, early_stopping=True)
    response = tokenizer.decode(output[0], skip_special_tokens=True)
    print("ChitGPT: " + response)

在每次循环中，首先用户输入一句话，然后使用tokenizer将其转换为模型输入的ids，接着调用generate方法生成模型输出，最后使用tokenizer将模型输出转换为文本格式，并输出给用户。其中，generate方法的参数需要根据具体情况进行调整，如max_length表示生成的最大长度，num_beams表示使用beam search算法的数量，no_repeat_ngram_size表示不允许重复的ngram大小，early_stopping表示是否在遇到结束标志时停止生成。

完整代码如下：

from transformers import GPT2LMHeadModel, GPT2Tokenizer

model_name = 'gpt2-medium'
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)

while True:
    user_input = input("You: ")
    input_ids = tokenizer.encode(user_input, return_tensors='pt')
    output = model.generate(input_ids=input_ids, max_length=50, num_beams=5, no_repeat_ngram_size=2, early_stopping=True)
    response = tokenizer.decode(output[0], skip_special_tokens=True)
    print("ChitGPT: " + response)

这段代码实现了一个简单的基于GPT模型的对话系统，用户输入一句话，模型自动生成回答，并输出给用户。可以根据需求进一步优化和扩展。