OpenAI API及ChatGPT系列教程3：API参考（Python）

已于 2023-05-04 15:26:58 修改
阅读量1.1k 收藏 11
点赞数
分类专栏： AI 文章标签： python chatgpt 开发语言
于 2023-05-04 15:17:47 首次发布
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/fengtaokelly/article/details/130487577
版权

系列文章目录：

  1. OpenAI API及ChatGPT系列教程1：快速入门
  2. OpenAI API及ChatGPT系列教程2：使用手册
  3. OpenAI API及ChatGPT系列教程3：API参考(Python)

本文目录：

OpenAI API及ChatGPT系列教程3：API参考(Python)

一、介绍：

要安装官方 Python 库，请运行以下命令：

pip install openai

二、验证：

OpenAI API 使用 API 密钥进行身份验证。访问您的API 密钥页面以检索您的 API 密钥。

所有 API 请求都应在 HTTP 标头中包含您的 API 密钥，**Authorization**如下所示：

Authorization: Bearer OPENAI_API_KEY
  • 请求组织：

对于属于多个组织的用户，您可以传递一个标头来指定哪个组织用于 API 请求。来自这些 API 请求的使用将计入指定组织的订阅配额。

openai.organization = "YOUR_ORG_ID"
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.xxxxxx

三、发出请求：

import openai,json

openai.api_key = '你的AIP密钥'
response =openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  temperature=0.7,
  messages=[
        {"role": "user", "content": "Say this is a test!"}
    ]
)
result = json.dumps(response,ensure_ascii=False)  # ensure_ascii处理中文
with open('chat.json', 'a+', encoding='utf-8') as f:  # 将返回保存为json文件
    f.write(result)

此请求查询模型以完成以提示“ Say this is a test**gpt-3.5-turbo** ”开头的文本。您应该会收到类似于以下内容的响应：

{
    "id": "chatcmpl-7BYJHEraVZUFW9tsUSpaIsG671cLh",
    "object": "chat.completion",
    "created": 1682987851,
    "model": "gpt-3.5-turbo-0301",
    "usage": {
        "prompt_tokens": 14,
        "completion_tokens": 5,
        "total_tokens": 19
    },
    "choices": [
        {
            "message": {
                "role": "assistant",
                "content": "This is a test!"
            },
            "finish_reason": "stop",
            "index": 0
        }
    ]
}

现在你已经生成了你的第一个聊天完成。我们可以看到**finish_reasonisstop这意味着 API 返回了模型生成的完整完成。在上面的请求中，我们只生成了一条消息，但是您可以设置参数n来生成多条消息选择。在这个例子中，gpt-3.5-turbo更多的是用于传统的文本补全任务**。该模型还针对聊天应用程序进行了优化。

四、模型：

列出并描述 API 中可用的各种模型。您可以参考模型文档以了解可用的模型以及它们之间的区别。

  • 查询列表：（返回很长的列表，1541行的json文件）

列出当前可用的模型，并提供有关每个模型的基本信息，例如所有者和可用性。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Model.list()

{
  "data": [
    {
      "id": "model-id-0",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-1",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-2",
      "object": "model",
      "owned_by": "openai",
      "permission": [...]
    },
  ],
  "object": "list"
}
  • 查询详情：

检索模型实例，提供有关模型的基本信息，例如所有者和权限。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Model.retrieve("text-davinci-003")

{
  "id": "text-davinci-003",
  "object": "model",
  "owned_by": "openai",
  "permission": [...]
}

五、补全：

给定一个提示，该模型将返回一个或多个预测的补全，并且还可以返回每个位置的替代标记的概率。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Completion.create(
  model="text-davinci-003",
  prompt="Say this is a test",
  max_tokens=7,
  temperature=0
)

{
  "id": "cmpl-uqkvlQyYK7bGYrRHQ0eXlWi7",
  "object": "text_completion",
  "created": 1589478378,
  "model": "text-davinci-003",
  "choices": [
    {
      "text": "\n\nThis is indeed a test",
      "index": 0,
      "logprobs": null,
      "finish_reason": "length"
    }
  ],
  "usage": {
    "prompt_tokens": 5,
    "completion_tokens": 7,
    "total_tokens": 12
  }
}
  • 请求参数说明：
{
  "model": "text-davinci-003",
  "prompt": "Say this is a test",
  "max_tokens": 7,
  "temperature": 0,
  "top_p": 1,
  "n": 1,
  "stream": false,
  "logprobs": null,
  "stop": "\n"
}

model string 必选：要使用的模型的 ID。

promptstring or array 可选 默认为<|endoftext|>：生成补全的提示，编码为字符串、字符串数组、标记数组或标记数组数组。请注意，<|endoftext|> 是模型在训练期间看到的文档分隔符，因此如果未指定提示，模型将生成新文档的开头。

suffixstring 可选 默认为 null：插入文本补全后出现的后缀。

max_tokensinteger 可选 默认为16：生成的最大令牌数。您的提示加上的令牌计数**max_tokens**不能超过模型的上下文长度。大多数模型的上下文长度为 2048 个标记（最新模型除外，它支持 4096）

temperaturenumber 可选 默认为1：使用什么采样概览热度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。我们通常建议改变次参数或**top_p ，**但不要同事改变两者。

top_pnumber 可选 默认为1：一种替代概览热度采样的方法，其中模型考虑具有 top_p 概率质量的标记的结果。所以 0.1 意味着只考虑构成前 10% 概率质量的标记。

ninteger 可选 默认为1：为每个提示生成多少补全。注意：因为这个参数会产生很多完成，它会很快消耗你的令牌配额。请谨慎使用并确保您对max_tokens和进行了合理的设置stop。

streamboolean 可选 默认为false：是否流方式返回。流由**data: [DONE]**消息终止。

logprobsinteger 可选 默认为null：包括最有可能标记的对数概率**logprobs，以及所选标记。例如，如果logprobs**是 5，API 将返回 5 个最有可能的标记的列表。

echoboolean 可选 默认为false：除了补全之外的回显提示。

stopstring or array 可选 默认为null：API 将停止生成更多令牌的最多 4 个序列。返回的文本将不包含停止序列。

presence_penaltynumber 可选 默认为0：-2.0 和 2.0 之间的数字。正值会增加模型谈论新主题的可能性。

frequency_penaltynumber 可选 默认为0：-2.0 和 2.0 之间的数字。正值会降低模型逐字重复同一行的可能性。

best_ofinteger 可选 默认为1：

**best_of**在服务器端生成补全并返回“最佳的补全”（每个标记具有最高对数概率的那个）。无法流式传输结果。与 n一起使用时，控制候选完成的数量并n指定要返回的数量 ，best_of必须大于n。

logit_biasmap 可选 默认为null：修改指定标记出现在补全中的可能性。

userstring 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为。

六、聊天：

给定一个描述对话的消息列表，该模型将返回一个响应。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")

completion = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "user", "content": "Hello!"}
  ]
)

print(completion.choices[0].message)
result = json.dumps(completion ,ensure_ascii=False)
with open('chat.json', 'a+', encoding='utf-8') as f:
    f.write(result)

{
  "id": "chatcmpl-123",
  "object": "chat.completion",
  "created": 1677652288,
  "choices": [{
    "index": 0,
    "message": {
      "role": "assistant",
      "content": "\n\nHello there, how may I assist you today?",
    },
    "finish_reason": "stop"
  }],
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 12,
    "total_tokens": 21
  }
}
  • 请求参数说明：

model string 必选：要使用的模型的 ID。

message array 必选：到目前为止描述对话的消息列表。包含：

  • rolestring 必选：此消息作者的角色。system、user或assistant。
  • content string 必选：消息的内容。
  • name string 可选：作者的姓名。可包含 az、AZ、0-9 和下划线，最大长度为 64 个字符。

temperaturenumber 可选 默认为1：使用什么采样热度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。

top_pnumber 可选 默认为1：一种替代热度采样的方法，称为核采样，其中模型考虑具有 top_p 概率质量的标记的结果。所以 0.1 意味着只考虑构成前 10% 概率质量的标记。

ninteger 可选 默认为1：为每个输入消息生成多少个聊天完成选项。

streamboolean 可选 默认为false：如果设置为true，将以流的方式发送消息，就像在 ChatGPT 中一样。

max_tokensinteger 可选 默认为16：聊天完成时生成的最大**令牌**数。输入标记和生成标记的总长度受模型上下文长度的限制。

stopstring or array 可选 默认为null：API 将停止生成更多令牌的最多 4 个序列。

presence_penaltynumber 可选 默认为0：-2.0 和 2.0 之间的数字。正值会增加模型谈论新主题的可能性。

frequency_penaltynumber 可选 默认为0：-2.0 和 2.0 之间的数字。正值会降低模型逐字重复同一行的可能性。

logit_biasmap 可选 默认为null：修改指定标记出现在完成中的可能性。

userstring 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为。

七、编辑：

给定提示和指令，模型将返回提示的编辑版本。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Edit.create(
  model="text-davinci-edit-001",
  input="What day of the wek is it?",
  instruction="Fix the spelling mistakes"
)

{
  "object": "edit",
  "created": 1589478378,
  "choices": [
    {
      "text": "What day of the week is it?",
      "index": 0,
    }
  ],
  "usage": {
    "prompt_tokens": 25,
    "completion_tokens": 32,
    "total_tokens": 57
  }
}
  • 请求参数说明：

model string 必选：要使用的模型的 ID。

input string 可选 默认为空字符串：用作编辑起点的输入文本。

instruction string 必选：告诉模型如何编辑的指令。

temperaturenumber 可选 默认为1：使用什么采样热度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。

top_pnumber 可选 默认为1：一种替代热度采样的方法，称为核采样，其中模型考虑具有 top_p 概率质量的标记的结果。所以 0.1 意味着只考虑构成前 10% 概率质量的标记。

ninteger 可选 默认为1：为输入和指令生成多少编辑。

八、图片：

给定提示和/或输入图像，模型将生成新图像。

1. 创建图像：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Image.create(
  prompt="A cute baby sea otter",
  n=2,
  size="1024x1024"
)

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}
  • 请求参数说明：

prompt string 必选：所需图像的文本描述。最大长度为 1000 个字符。

ninteger 可选 默认为1：要生成的图像数。必须介于 1 和 10 之间。

size string 可选 默认为1024x1024：生成图像的大小。必须是**256x256、512x512或1024x1024**。

response_format string 可选 默认为url：生成的图像返回的格式。必须是 url或b64_json。

user string 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为。

2. 编辑图像：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Image.create_edit(
  image=open("otter.png", "rb"),
  mask=open("mask.png", "rb"),
  prompt="A cute baby sea otter wearing a beret",
  n=2,
  size="1024x1024"
)

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}
  • 请求参数说明：

image string 必选：要编辑的图像。必须是有效的 PNG 文件，小于 4MB，并且是方形的。如果未提供遮罩，图像必须具有透明度，将用作遮罩。

mask string 可选：附加图像，其完全透明区域（例如，alpha 为零的区域）指示**image**应编辑的位置。必须是有效的 PNG 文件，小于 4MB，并且与image具有相同尺寸。

prompt string 必选：所需图像的文本描述。最大长度为 1000 个字符。

ninteger 可选 默认为1：要生成的图像数。必须介于 1 和 10 之间。

size string 可选 默认为1024x1024：生成图像的大小。必须是**256x256、512x512或1024x1024**。

response_format string 可选 默认为url：生成的图像返回的格式。必须是 url或b64_json。

user string 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为。

3. 图像变体：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Image.create_variation(
  image=open("otter.png", "rb"),
  n=2,
  size="1024x1024"
)

{
  "created": 1589478378,
  "data": [
    {
      "url": "https://..."
    },
    {
      "url": "https://..."
    }
  ]
}
  • 请求参数说明：

image string 必选：用作变体基础的图像。必须是有效的 PNG 文件，小于 4MB，并且是方形的。

ninteger 可选 默认为1：要生成的图像数。必须介于 1 和 10 之间。

size string 可选 默认为1024x1024：生成图像的大小。必须是**256x256、512x512或1024x1024**。

response_format string 可选 默认为url：生成的图像返回的格式。必须是 url或b64_json。

user string 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为

九、嵌入embeddings:

获取给定输入的矢量表示，机器学习模型和算法可以轻松使用该表示。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Embedding.create(
  model="text-embedding-ada-002",
  input="The food was delicious and the waiter..."
)

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        .... (1536 floats total for ada-002)
        -0.0028842222,
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-ada-002",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}
  • 请求参数说明：

model string 必选：要使用的模型的 ID。

input string or array 必选：输入文本以获取嵌入，编码为字符串或标记数组。要在单个请求中获取多个输入的嵌入，请传递一个字符串数组或令牌数组数组。每个输入的长度不得超过 8192 个标记。

user string 可选：代表您的最终用户的唯一标识符，可以帮助 OpenAI 监控和检测滥用行为

十、语音：

了解如何将音频转换为文本。

1. 转录：将音频转录为输入语言

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
audio_file = open("audio.mp3", "rb")
transcript = openai.Audio.transcribe("whisper-1", audio_file)

{
  "text": "Imagine the wildest idea that you've ever had, and you're curious about how it might scale to something that's a 100, a 1,000 times bigger. This is a place where you can get to do that."
}
  • 请求参数说明：

file string 必选：要转录的音频文件，采用以下格式之一：mp3、mp4、mpeg、mpga、m4a、wav 或 webm。
model string 必选：要使用的模型的 ID。当前仅**whisper-1**可用。

prompt string 可选：可选文本，用于指导模型的风格或继续之前的音频片段。提示应与音频语言相匹配。

response_format string 可选 默认为json：输出的格式，采用以下选项之一：json、text、srt、verbose_json 或 vtt。

temperature number 可选：采样概率热度，介于 0 和 1 之间。

language string 可选：输入音频的语言。

2. 翻译：将音频翻译成英文

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
audio_file = open("german.m4a", "rb")
transcript = openai.Audio.translate("whisper-1", audio_file)

{
  "text": "Hello, my name is Wolfgang and I come from Germany. Where are you heading today?"
}
  • 请求参数说明：

file string 必选：要翻译的音频文件，采用以下格式之一：mp3、mp4、mpeg、mpga、m4a、wav 或 webm。
model string 必选：要使用的模型的 ID。当前仅**whisper-1**可用。

prompt string 可选：可选文本，用于指导模型的风格或继续之前的音频片段。提示应为英文**。**

response_format string 可选 默认为json：输出的格式，采用以下选项之一：json、text、srt、verbose_json 或 vtt。

temperature number 可选：采样概率热度，介于 0 和 1 之间。

十一、文件：

上传用于与微调等功能一起使用的文档。

1. 列出文件：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.File.list()

{
  "data": [
    {
      "id": "file-ccdDZrC3iZVNiQVeEA6Z66wf",
      "object": "file",
      "bytes": 175,
      "created_at": 1613677385,
      "filename": "train.jsonl",
      "purpose": "search"
    },
    {
      "id": "file-XjGxS3KTG0uNmNOK362iJua3",
      "object": "file",
      "bytes": 140,
      "created_at": 1613779121,
      "filename": "puppy.jsonl",
      "purpose": "search"
    }
  ],
  "object": "list"
}

2. 上传文件：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.File.create(
  file=open("mydata.jsonl", "rb"),
  purpose='fine-tune'
)

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "bytes": 140,
  "created_at": 1613779121,
  "filename": "mydata.jsonl",
  "purpose": "fine-tune"
}

3. 删除文件：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.File.delete("file-XjGxS3KTG0uNmNOK362iJua3")

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "deleted": true
}

4. 检索文件：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.File.retrieve("file-XjGxS3KTG0uNmNOK362iJua3")

{
  "id": "file-XjGxS3KTG0uNmNOK362iJua3",
  "object": "file",
  "bytes": 140,
  "created_at": 1613779657,
  "filename": "mydata.jsonl",
  "purpose": "fine-tune"
}

5. 检索文件内容：返回指定文件的内容

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
content = openai.File.download("file-XjGxS3KTG0uNmNOK362iJua3")

十二、微调Fine-tunes：

管理微调作业，以您的特定训练数据定制模型。

1. 创建微调：

创建一个从给定数据集微调指定模型的作业。

响应包括排队作业的详细信息，包括作业状态和完成后微调模型的名称。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.FineTune.create(training_file="file-XGinujblHPwGLSztz8cPS8XY")

{
  "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807352,
  "events": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    }
  ],
  "fine_tuned_model": null,
  "hyperparams": {
    "batch_size": 4,
    "learning_rate_multiplier": 0.1,
    "n_epochs": 4,
    "prompt_loss_weight": 0.1,
  },
  "organization_id": "org-...",
  "result_files": [],
  "status": "pending",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807352,
}

2. 微调列表：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.FineTune.list()

{
  "object": "list",
  "data": [
    {
      "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
      "object": "fine-tune",
      "model": "curie",
      "created_at": 1614807352,
      "fine_tuned_model": null,
      "hyperparams": { ... },
      "organization_id": "org-...",
      "result_files": [],
      "status": "pending",
      "validation_files": [],
      "training_files": [ { ... } ],
      "updated_at": 1614807352,
    },
    { ... },
    { ... }
  ]
}

3. 检索微调：获取有关微调作业的信息

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.FineTune.retrieve(id="ft-AF1WoRqd3aJAHsqc9NY7iL8F")

{
  "id": "ft-AF1WoRqd3aJAHsqc9NY7iL8F",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807352,
  "events": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807356,
      "level": "info",
      "message": "Job started."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807861,
      "level": "info",
      "message": "Uploaded snapshot: curie:ft-acmeco-2021-03-03-21-44-20."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Uploaded result files: file-QQm6ZpqdNwAaVC3aSz5sWwLT."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Job succeeded."
    }
  ],
  "fine_tuned_model": "curie:ft-acmeco-2021-03-03-21-44-20",
  "hyperparams": {
    "batch_size": 4,
    "learning_rate_multiplier": 0.1,
    "n_epochs": 4,
    "prompt_loss_weight": 0.1,
  },
  "organization_id": "org-...",
  "result_files": [
    {
      "id": "file-QQm6ZpqdNwAaVC3aSz5sWwLT",
      "object": "file",
      "bytes": 81509,
      "created_at": 1614807863,
      "filename": "compiled_results.csv",
      "purpose": "fine-tune-results"
    }
  ],
  "status": "succeeded",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807865,
}

4. 取消微调：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.FineTune.cancel(id="ft-AF1WoRqd3aJAHsqc9NY7iL8F")

{
  "id": "ft-xhrpBbvVUzYGo8oUO1FY4nI7",
  "object": "fine-tune",
  "model": "curie",
  "created_at": 1614807770,
  "events": [ { ... } ],
  "fine_tuned_model": null,
  "hyperparams": { ... },
  "organization_id": "org-...",
  "result_files": [],
  "status": "cancelled",
  "validation_files": [],
  "training_files": [
    {
      "id": "file-XGinujblHPwGLSztz8cPS8XY",
      "object": "file",
      "bytes": 1547276,
      "created_at": 1610062281,
      "filename": "my-data-train.jsonl",
      "purpose": "fine-tune-train"
    }
  ],
  "updated_at": 1614807789,
}

5. 列出微调事件：获取微调作业的细粒度状态更新

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.FineTune.list_events(id="ft-AF1WoRqd3aJAHsqc9NY7iL8F")

{
  "object": "list",
  "data": [
    {
      "object": "fine-tune-event",
      "created_at": 1614807352,
      "level": "info",
      "message": "Job enqueued. Waiting for jobs ahead to complete. Queue number: 0."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807356,
      "level": "info",
      "message": "Job started."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807861,
      "level": "info",
      "message": "Uploaded snapshot: curie:ft-acmeco-2021-03-03-21-44-20."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Uploaded result files: file-QQm6ZpqdNwAaVC3aSz5sWwLT."
    },
    {
      "object": "fine-tune-event",
      "created_at": 1614807864,
      "level": "info",
      "message": "Job succeeded."
    }
  ]
}

6. 删除微调模型：

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Model.delete("curie:ft-acmeco-2021-03-03-21-44-20")

{
  "id": "curie:ft-acmeco-2021-03-03-21-44-20",
  "object": "model",
  "deleted": true
}

十三、审核:

给定输入文本，判断是否违反 OpenAI 的内容策略。

import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
openai.Moderation.create(
  input="I want to kill them.",
)

{
  "id": "modr-5MWoLO",
  "model": "text-moderation-001",
  "results": [
    {
      "categories": {
        "hate": false,
        "hate/threatening": true,
        "self-harm": false,
        "sexual": false,
        "sexual/minors": false,
        "violence": true,
        "violence/graphic": false
      },
      "category_scores": {
        "hate": 0.22714105248451233,
        "hate/threatening": 0.4132447838783264,
        "self-harm": 0.005232391878962517,
        "sexual": 0.01407341007143259,
        "sexual/minors": 0.0038522258400917053,
        "violence": 0.9223177433013916,
        "violence/graphic": 0.036865197122097015
      },
      "flagged": true
    }
  ]
}
  • 请求参数说明：

input string or array 必选：要分类的输入文本

mode string 可选 默认为text-moderation-latest：有两种内容审核模型可用：text-moderation-stable和text-moderation-latest。默认情况下**text-moderation-latest会随着时间的推移自动升级。这可确保您始终使用我们最准确的模型。如果您使用text-moderation-stable，我们将在更新模型之前提供提前通知。的准确度text-moderation-stable可能略低于 的准确度text-moderation-latest**

搬码侠
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
使用python调用ChatGPT的API，打造属于自己的桌面智能助手
人工智能研究所的博客
02-24 3041
上期图文教程，我们介绍了ChatGPT的注册使用过程，并且使用ChatGPT生成了一个CNN卷积神经网络的代码，由于ChatGPT的官方只公布了GPT-3的API接口，因此我们基于ChatGPT 3代的API接口打造自己的智能小助手。因此有了以上的API接口，我们便可以使用python代码来使用ChatGPT了，只是API接口版本相比官方的3.5稍微有些落后，且官方还发布了plus版本，但是针对绝大多数问题，3代的接口依然很强大。第三行代码，我们需要提供上一个步骤的api key。
【python】使用apikey查询OpenAi可用余额
qq_39165617的博客
04-02 5704
2023.04.02似乎官方禁用了之前的获取方式，通过。返回示例如下：from。可将实现方式改为如下。
python程序中调用openai接口
最新发布
小迷糊的博客
05-17 517
a. 搭建nginx反向代理openai接口。b. 调用nginx服务器访问openai。启动nginx后，用curl尝试（创建nginx配置文件。
OpenAI的API key获取方法
BOTOAI
03-26 4万+
在本篇文章中，我们将介绍如何获得OpenAI的API Secret Key。右上角点击“Personal”,下拉中选择View API keys。点击 Create new secret key。左侧页面中，找到API Keys。
用Python调用OpenAI API做有趣的事
咖啡花园
12-13 3万+
OpenAI 文本编写 故事创作 餐厅评论 广告文案 面试问题 头脑风暴 论文大纲 学习笔记 创建食谱 推荐书单 产品名称 总结内容 电子表格 电子邮件 OpenAI 代码续写 Go代码 HTML代码 JavaScript函数 Python代码 Python函数 Python测试代码 Python修复BUG Python注释文档 Python代码重构 Python翻译成Java R代码 MySQL查询 PostgreSQL查询 TypeScript函数
Python import openai 异常报错的解决方法
weixin_42098295的博客
12-25 872
在使用 OpenAI API 的项目时，使用 pip install openai 安装后，执行 import openai 报错：ImportError: urllib3 v2.0 only supports OpenSSL 1.1.1+, currently the 'ssl' module is compiled with LibreSSL 2.8.3. See: https://github.com/urllib3/urllib3/issues/2168，本文主要记录一下解决这个报错异常的方法。
Pycharm中如何安装 OpenAI ——ChatGPT的python包?
常年招收【在读】大学生、研究生、IT一技之长者，远程兼职，待遇丰厚！请私信我！
04-26 1万+
全文介绍当下非常火爆的ChatGPT的 API 开发包openai的安装过程、心得。它可以帮你少走弯路。是一篇实战经验心得。它是系列集的一部分。后续陆续发布、敬请关注。【原创：AhcaoZhu大侠】
Openai Api开发文档 - Openai Api中文文档 - Openai Api中英双语文档
03-13
Openai Api开发文档 | Openai Api中文文档 | Openai Api中英双语文档 ChatGPT是由OpenAI开发的一个人工智能聊天机器人程序，于2022年11月推出。该程序使用基于GPT-3.5架构的大型语言模型并通过强化学习进行训练。 ...
ChatGPT实战（六）：搭建AI对话网站（OpenAI API + streamit）.docx
05-28
streamlit是一个python库，可以使用纯python搭建一个网页，通过调用openai的api,创建一个网页版的简单对话模型
python3下实现搜狗AI API的代码示例
12-25
b、基于python3。 c、也有自己的签名生成这块，有了鹅厂的底子，相对写起来比较简单。 d、不过Sougou明显在接口标准化这块明显不如鹅厂，不同api应答包的主体结构竟然不一致，所以实施也只做了简单的结构化…… 2、...
NXOpen Python API Refence 10.0.CHM
04-04
NXOpen Python API Refence 10.0 在线文档，经过下载整理，制作成了离线文档，便于在断网环境下学习。
Python-CTPAPI：Python CTP API
01-30
此CTP Python API在Windows上由Python3.X系列互不兼容，所以分别编译了Python3.7和Python3.8的版本，在Windows上使用时请安装相应的Python版本，linux上无此问题。该API是用swig方法在官方C ++ API上编译得到的，...
免费分享一些Open Ai的key，供大家使用
热门推荐
qq_32265503的博客
05-03 7万+
对于一些更大的 LLM（大型语言模型），训练成本介于 200 万美元至 1200 万美元之间。ChatGPT保持正常运行的成本约为每天700万美元。每个注册用户账户内有5美元余额红用户使用，使用完成后则需要绑定信用卡进行账单付款，但是官方有明确说明，不保证服务的可用性，如果算力压力过大，首先限流此部分用户。目前因为算力问题4.0仅供plus会员使用，开销为每月20美元，网页使用目前限制为每3小时25次。以下是一些Open Ai的key，有需要的自行取用。GPT-3 训练一次的成本约为 140 万美元。
Py之OpenAI Python API：openai-python的简介、安装、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
11-09 6147
​ Py之OpenAI Python API：openai-python的简介、安装、使用方法之详细攻略 目录 openai-python的简介 openai-python的安装 openai-python的使用方法 openai-python的简介 OpenAI Python库提供了从任何Python 3.7+应用程序方便访问OpenAI REST API的途径。该库包含了所有请求参数和响应字段的类型定义，并提供了由httpx提供
OpenAI Assistants使用总结
金闪闪_Li的博客
11-08 5030
Assistants可以指示和利用模型，工具和知识库去响应用户的问题，目前Assistants支持三种工具：代码解释器，检索和函数调用
〖ChatGPT实践指南 - 零基础扫盲篇③〗- 学术探讨：如何获取 OpenAI 的 API keys
易编橙 · 终身成长社群，相遇已是上上签！
04-25 3万+
请注意，该章节介绍的是如何使用 ChatGPT ，并通过登录ChatGPT后访问 OpenAI 获取 API Keys，并不涉及如何科学的注册 ChatGPT。
llm之openai库快速入门
个人微信公众号：网络安全历险记
01-05 1729
使用 Chat Completions API 实现对话任务model（string，必填）要使用的模型ID。有关哪些模型适用于Chat API的详细信息messages（array，必填）迄今为止描述对话的消息列表role（string，必填）发送此消息的角色。systemuser或assistant之一（一般用 user 发送用户问题，system 发送给模型提示信息）content（string，必填）消息的内容name（string，选填）此消息的发送者姓名。
如何获取 OpenAI API Key
zzx0728的专栏
05-07 2万+
目前 OpenAI API 国内无法直接访问，对于个人用户可以使用第三方接口服务代替，使用第三方提供的 API 域名和 KEY。首先，您需要注册一个 OpenAI 帐户，打开 platform.openai.com，登录或注册一个 OpenAI 账户。OpenAI API Key 是一种用于访问 OpenAI API 的凭证，可以在 OpenAI 网站上申请获取。因为安全原因，新生成的 API Key 只会显示一次，以后无法查看，所以要复制并保存在安全的地方。
如何获取OpenAI API Key
cbbxn的博客
04-01 6万+
如果您还没有创建 API Key，请点击“Create New API Key”按钮。如果您已经创建了 API Key，则可以在此页面上找到您的 API Key。现在您已经成功创建了 OpenAI API Key，可以使用它来访问 OpenAI API 并使用 OpenAI 的语言模型和其他人工智能工具。在“Create API Key”对话框中，输入您的 API Key 名称，然后点击“Create API Key”按钮。在“Settings”页面中，点击“API Keys”选项卡。
OpenAI Python API – 完整指南
07-05
OpenAI Python API（Application Programming Interface）是一项强大的工具，它允许开发人员在Python中利用OpenAI的人工智能技术来完成各种任务。通过使用OpenAI API，我们可以轻松地将人工智能的能力集成到我们的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

搬码侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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