系列文章目录：
本文目录：
前言：
本系列档的主要内容是官方的翻译，同时加入了更多内容，旨在让读者更轻松地上手ChatGPT。在这些添加的内容中，我会提供更多的例子、技巧和提示，以帮助读者更好地理解 ChatGPT 的使用。此外，我们还会讨论 ChatGPT 的历史和发展，以及它在自然语言处理和人工智能领域的应用。通过这些信息，您可以更全面地了解 ChatGPT 的优势和潜力，并更好地应用 ChatGPT 来解决自己的问题。祝您阅读愉快！
一、OpenAI API 介绍
1. 概述：
首先我们得解释一下OpenAI API和ChatGPT之间的关系。好多朋友都不太分得清这两个概念。
ChatGPT 是基于OpenAI（公司）的 GPT-4 模型开发的一款聊天式人工智能。而OpenAI API 是一种开放的应用程序编程接口，通过这个接口，开发者可以将 OpenAI 开发的人工智能技术应用到各种软件中。
So，这篇文章应该叫做“OpenAI API教程”，但是让我们来面对现实，谁会读那个呢？所以加上”ChatGPT“后，恩，高端大气上档次~
下面是官网文档对OpenAI API的介绍：
OpenAI API 几乎可以应用于任何涉及理解或生成自然语言、代码或图像的任务。我们提供一系列具有不同算力级别的模型，适用于不同的任务，并且能够微调您自己的自定义模型。这些模型可用于从内容生成到语义搜索和分类的所有领域。
2. 关键字：
- 提示词（Prompts）：
当您想让ChatGPT执行某些操作时，您需要给它一些指示或示例。这就是我们所说的“提示词”。您可以将其用于几乎任何事情 - 不仅仅是像其他一些 NLP 服务那样的一个特定任务。无论您需要帮助生成代码、编写摘要，甚至只是聊天，ChatGPT都可以为您提供帮助。
(随着人工智能技术的不断发展，在自然语言处理、计算机视觉和语音识别等领域，人们越来越多地使用人工智能模型来处理各种任务。为了让这些模型能够更好地理解和生成自然语言、代码或图像等内容，提示词工程师(Prompt Engineer)这一新兴职位应运而生。
提示词工程师(Prompt Engineer)是设计、开发并优化提示词（Prompt），以便人工智能模型能够更好地理解和生成自然语言、代码或图像等内容。提示词工程师需要对自然语言处理(NLP)和机器学习有深入的理解，能够将业务需求转化为高效的提示词，并持续改进和优化这些提示词，以提高人工智能模型的性能和效果。
- 代币（Tokens）：
官方文档里面提到的是 Tokens，对于开发者来说这个概念很常见，开发者管这个叫“令牌”。但是在这里，它代表着对输入内容的分割。按照翻译，我们应该称之为“标记”，但是在 OpenAPI 中，它也是一个计费标准，收费是根据 Tokens 的数量来计算的。因此，我们也可以把它翻译成“代币”。总之，这个词很容易引起混淆，所以后文都将它称为”标记“。您知道它是什么意思就行了。
我们的模型通过将文本分解为称为标记的小块，来理解和处理文本。这些标记可以是单词或字符块。例如，“hamburger”这个词被分成了“ ham”，“ bur”和“ ger”三个标记，而像“pear”这样的短而常见的单词是一个标记。许多标记以空格开头，例如“ hello”和“ bye”。
我们可以处理的标记数量取决于您提供的文本量。一般来说，英文文本的一个标记大约是4个字符或0.75个单词。根据统计数据，750个单词平均等于1000个标记，而一个中文字符平均等于1.12个标记。要记住的一个限制是，您的文本提示和生成的完成组合必须不超过模型的最大上下文长度（对于大多数模型，这是2048个标记，或大约1500个单词，或大约1800个中文字符）。
- 模型（Models）：
我们通常说的ChatGPT其实是OpenAPI其中的一种模型。而OpenAPI是由一系列模型支撑的，这些模型的能力不同，使用费用也不同。 GPT-4是最新和最强大的模型。 GPT-3.5-Turbo是ChatGPT的动力模型，针对对话格式进行了优化。
二、快速入门：
OpenAI已经训练了先进的语言模型，非常擅长理解和生成文本。我们的API提供对这些模型的访问，并可用于解决几乎涉及语言处理的任何任务。
在这个快速入门教程中，您将构建一个简单的示例应用程序。在此过程中，您将学习使用API解决任何问题的关键概念和技术，包括：
- 内容生成（Content generation）
- 摘要（Summarization）
- 分类、分类和情感分析（Classification, categorization, and sentiment analysis）
- 数据提取（Data extraction）
- 翻译（Translation）
- 等等等等！
1. 介绍：
补全（Completions)端点是OpenAI API的核心，提供了一个非常灵活且强大的简单接口。你所需要做的就是给它一些文本作为提示（Prompt），API将为你提供一个完成（Completion），试图匹配你提供的任何指令或上下文。
举例：
提示：为冰淇淋店写一个标语。
补全：每勺冰激凌都带着微笑！
每勺冰激凌都带着微笑！
可以将其视为非常高级的自动完成 - 模型处理您的文本提示并尝试预测最有可能出现的内容。
2. 从一个简单指令开始：
现在你想给你的宠物取名。从零开始想出名字是很困难的！
首先，你需要一个明确的提示，告诉模型你想要什么。让我们从一条指令开始：
提示：给马取一个名字。
补全：闪电
还不错！现在，试着让你的指示更具体。
提示：给一匹黑马取一个名字。
补全：闪电
如上所见，将一个简单的形容词添加到提示中会改变所得到的补全结果。设计提示词本质上就是如何对模型进行“编程”。
3. 继续添加提示词：
让我们试着让你的指令更复杂：
提示：给马取三个名字，要求类似超级英雄的名字。
补全：
- 超级马 (Chaoji Ma)
- 勇敢马 (Yonggan Ma)
- 英雄马 (Yingxiong Ma)
这个结果不完全符合我们的要求。让我们看看能否得出一些更相关的建议。
有时候不仅仅是告诉模型你想要什么很有用，展示它也很有用。在提示中包含示例可以帮助传达模式或小细节。试一试并加入几个示例，看看效果如何！
提示：给马取三个名字，要求类似超级英雄的名字。动物：猫
名称：萨伦猫侠（Saren Catman）神秘猫女（Mystique Catwoman）超能猫斯特拉（Supercat Stella）动物：狗
名称：钢牙 (Steel Fang) 闪电犬 (Lightning Hound) 狼蜜蜂 (Wolf Bee)动物：马
名称：
补全：
- 雷霆闪电马 (Thunderbolt)
- 烈焰战马 (Inferno)
- 钢铁蹄子马 (Ironhoof)
这就很不错了！可以看到，为给定输入添加输出示例后，是有助于模型提供我们想要的输出。
3. 调整设置：
提示词并不是您可以使用的唯一工具。您还可以通过调整相关设置来控制补全输出。最重要的设置之一称为热度（temperature）。
您可能已经注意到，如果您在上面的示例中多次提交相同的提示，模型将始终返回相同或非常相似的补全。这是因为您的热度设置为0。
如果将热度设置为1，重新提交几次相同的提示词。会发现，当热度高于 0 时，每次提交相同的提示会导致不同的完成。
请记住，模型预测哪个文本最有可能跟在它前面的文本之后。热度是一个介于 0 和 1 之间的值，基本上可以让您控制模型在进行这些预测时的置信度。降低热度意味着它将承担更少的风险，并且补全将更加准确和确定。升高热度将导致更多样化的补全。
对于这个宠物昵称生成器，您可能希望能够生成很多名字创意。0.6 的适中热度应该是合适的值。
3. 用代码来实现（Python）：
- 首先下载示例代码：
git clone https://github.com/openai/openai-quickstart-python.git
- 添加API密钥：
- 运行应用：
python -m venv venv
. venv/bin/activate
pip install -r requirements.txt
flask run
- 在浏览器中打开http://localhost:5000
三、Python库：
$ pip install openai
import os
import openai
# Load your API key from an environment variable or secret management service
openai.api_key = os.getenv("OPENAI_API_KEY")
response = openai.Completion.create(model="text-davinci-003", prompt="Say this is a test", temperature=0, max_tokens=7)
四、模型（Modesl)：
OpenAI API 由具有不同功能和价位的多种模型提供支持。
| 模型 | 描述 |
|---|---|
| GPT-4 | 一组在 GPT-3.5 上改进的模型，可以理解并生成自然语言或代码 |
| GPT-3.5 | 一组在 GPT-3 上改进的模型，可以理解并生成自然语言或代码 |
| DALL.E | 可以在给定自然语言提示的情况下生成和编辑图像的模型 |
| Whisper | 一种可以将音频转换为文本的模型 |
| Embeddings | 一组可以将文本转换为数字形式的模型 |
| Moderation | 可以检测文本是否敏感或不安全的微调模型 |
| GPT-3 | 一组可以理解和生成自然语言的模型 |
模型端点兼容性:
| 端点 | 模型 |
|---|---|
| /v1/chat/completions | gpt-4, gpt-4-0314, gpt-4-32k, gpt-4-32k-0314, gpt-3.5-turbo, gpt-3.5-turbo-0301 |
| /v1/completions | text-davinci-003, text-davinci-002, text-curie-001, text-babbage-001, text-ada-001 |
| /v1/edits | text-davinci-edit-001, code-davinci-edit-001 |
| /v1/audio/transcriptions | whisper-1 |
| /v1/audio/translations | whisper-1 |
| /v1/fine-tunes | davinci, curie, babbage, ada |
| /v1/embeddings | text-embedding-ada-002, text-search-ada-doc-001 |
| /v1/moderations | text-moderation-stable, text-moderation-latest |
GPT-4：
GPT-4 是一个大型多模态模型（现在能接受文本输入并给出文本输出，将来会出现图像输入），它可以比以前的任何模型更准确地解决难题。GPT-4 针对聊天进行了优化，但也适用于使用聊天完成 API 的传统补全任务。
对于许多基本任务，GPT-4 和 GPT-3.5 模型之间的差异并不显着。然而，在更复杂的推理情况下，GPT-4 比我们之前的任何模型都更有力。
GPT-3.5：
GPT-3.5 模型可以理解并生成自然语言或代码。我们在 GPT-3.5 系列中功能最强大且最具成本效益的模型**gpt-3.5-turbo**已针对聊天进行了优化，但也适用于传统的补全任务。
我们建议使用**gpt-3.5-turbo**模型，因为它的成本较低。
DALL.E：
DALL·E 是一个人工智能系统，可以根据自然语言的描述创建逼真的图像。目前支持在输入提示词的情况下，创建具有特定大小的新图像、编辑现有图像或创建用户提供的图像的变体的能力。
当前 DALL·E 模型是 DALL·E 的第 2 次迭代，具有比原始模型更逼真、更准确且分辨率高 4 倍的图像。
Whisper：
Whisper 是一种通用的语音识别模型。它在不同音频的大型数据集上进行训练，也是一个多任务模型，可以执行多语言语音识别以及语音翻译和语言识别。Whisper v2-large 模型目前可通过API 使用**whisper-1**模型名称获得。
目前， Whisper 的开源版本与通过API 提供的版本之间没有区别。然而，通过API提供了一个优化的推理过程，这使得通过我们的 API 运行 Whisper 比通过其他方式运行要快得多。
Embeddings：
嵌入（Embedding）是文本的数字表示，可用于衡量两段文本之间的相关性。第二代Embedding模型**text-embedding-ada-002**旨在以一小部分成本取代之前的 16 种第一代嵌入模型。嵌入可用于搜索、聚类、推荐、异常检测和分类任务。
Moderation：
审核模型（Moderation）旨在检查内容是否符合 OpenAI 的使用政策。这些模型提供了查找以下类别内容的分类功能：仇恨、仇恨/威胁、自残、性、性/未成年人、暴力和暴力/图片。
审核模型接受任意大小的输入，该输入会自动分解以修复模型特定的上下文窗口。
GPT-3：
GPT-3 模型可以理解和生成自然语言。这些模型被更强大的 GPT-3.5 代模型所取代。但是，原始 GPT-3 基本模型（davinci、curie、ada和babbage）是当前唯一可用于微调的模型。
四、总结：
以上就是本系列文章的第一部分，介绍了如何使用OpenAI API和ChatGPT系列来生成文本。其中包括如何使用提示词和示例来控制模型的输出，以及如何调整设置来影响模型的置信度和多样性。此外，还提供了Python代码示例和各种模型的描述，包括GPT-4、GPT-3.5、DALL.E、Whisper、Embeddings、Moderation和GPT-3。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
