OpenAI API
OpenAI API可以应用于几乎所有涉及生成自然语言、代码或图像的任务。提供了一系列不同能力级别的模型,适用于不同任务的,并且能够微调自己的自定义模型。
OpenAI API参考:https://platform.openai.com/docs/api-reference
安装OpenAI库
或安装其他的开源大语言模型
pip install openai
设置OpenAI API秘钥
设置OpenAI API秘钥有如下2种方式
import os
from openai import OpenAI
# 方式一
# 设置OpenAI的BASE_URL、API_Key
# client = OpenAI(api_key="", base_url="")
# 方式二
# 设置OpenAI的BASE_URL、API_Key
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-fDqouTlU62yjkBhF46284543Dc8f42438a9529Df74B4Ce65"
client = OpenAI()
列出模型信息
列出当前可用的模型,并提供每个模型的基本信息
models = client.models.list()
print(models)
SyncPage[Model](data=[Model(id='gpt-3.5-turbo-1106', created=1698959748, object='model', owned_by='system'),
Model(id='gpt-3.5-turbo-instruct', created=1692901427, object='model', owned_by='system'),
Model(id='gpt-3.5-turbo-16k-0613', created=1685474247, object='model', owned_by='openai')],
object='list')
各项参数:
created: 模型创建的时间戳,单位为Unix时间戳(自1970年1月1日(00:00:00 GMT)以后的秒数)
id: 模型的唯一标识符
object: 表示的是当前对象的类型
owned_by: 表示的是模型的所有者
获取模型ID列表
model_list = []
for model in models.data:
model_list.append(model.id )
print(model_list)
根据模型ID获取指定模型实例
from openai import OpenAI
client = OpenAI()
gpt = client.models.retrieve("gpt-3.5-turbo")
print(gpt)
Model(id='gpt-3.5-turbo', created=1677610602, object='model', owned_by='openai')
Chat聊天
使用Chat聊天API实现对话任务,以消息列表作为输入,并返回模型生成的消息作为输出。尽管聊天格式旨在使多轮对话变得简单,但它同样适用于没有任何对话的单轮任务。
from openai import OpenAI # 导入OpenAI库
client = OpenAI() # 创建OpenAI客户端对象
# 调用模型
completion = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "你是一个乐于助人的助手。"},
{"role": "user", "content": "你好!"}
]
)
# 输出模型回复
print(completion.choices[0].message)
ChatCompletionMessage(content='你好! 有什么问题我可以帮助你解答吗?', role='assistant', function_call=None, tool_calls=None)
消息角色
messages是一个列表,包含多个消息。每个消息都有一个role和content。
消息角色有三种:system
、user
和assistant
。每一种角色都有不同的含义和作用。
system:系统消息主要用于设定对话的背景或上下文。可以帮助模型理解它在对话中的角色和任务。例如,通过系统消息来设定一个场景,让模型知道它是在扮演一个知识丰富的AI助手。
user:用户消息包含用户想要模型回答或完成的请求。用户消息可以是一个问题、一段话,或者任何其他用户希望模型响应的内容。
assistant:助手消息是模型的回复。
请求参数说明
使用OpenAI时,调用大模型API,大概会涉及以下参数:
参数 | 含义 |
---|---|
model | 模型类型 |
prompt | 提示,输入给模型的问题或者指示,告诉模型要它做什么 |
temperature | 可以影响模型输出的随机性。值越高(接近1),输出就越随机;值越低(接近0),输出就越确定 |
max_tokens | 可以限制模型输出的最大长度,长度是以Tokens为单位,而一个Token可以是一个字、一个词或一个字符,取决于语言和模型。 |
suffix | 允许用户为模型生成的输出文本后附加一个后缀 |
top_p | 与temperature参数类似,使用所谓的核心抽样。模型只会考虑概率质量最高的Tokens。例如,top_p设置为0.1表示只有前10%最有可能的Tokens会被考虑。 |
n | 决定为每个提示生成多少个完整的输出。注意:这个参数可能会更快地耗尽Token配额。 |
stream | 决定是否实时流式传输生成的Tokens。如果设置为true, Tokens将在生成时被发送 |
logprobs | 要求API包括最有可能的Tokens的对数概率 |
echo | 设置为true,除了生成的完成内容外,还会回显提示 |
stop | 允许指定一个或多个序列,当模型遇到这些序列时会停止生成Tokens,返回的文本将不包含stop序列。 |
presence_penalty | 一个在-2.0到2.0之间的数字。正值会惩罚已经出现在文本中的新Tokens,这可以帮助模型更多地谈论新话题 |
frequency_penalty | 一个在-2.0到2.0之间的数字。正值会惩罚到目前为止在文本中频繁出现的Tokens,这可以减少模型重复相同内容的可能性 |
best_of | 在服务器端生成指定数量的完整输出,然后返回其中概率最高的那个(即每个Token的对数概率最高的那个) |
logit_bias | 可以修改指定Tokens在生成文本中出现的可能性。可以提供一个JSON对象,将Tokens映射到-100到100之间的偏置值 |
user | 可选参数,表示最终用户的唯一标识符,可以帮助OpenAl监测和检测滥用 |
响应参数说明
使用OpenAI时,调用大模型API后,模型响应内容,大概会涉及以下参数:
字段 | 含义 |
---|---|
id | 生成任务分配的唯一标识符 |
object | 对象类型的标志,它标志着这是一个聊天模型的生成任务 |
created | 生成任务创建的时戳 |
model | 生成任务的模型名称 |
choices | 返回一个列表,其中包含模型生成的所有条目。如果不指定参数n,则通常只包含一个条目,即索引[0]。 |
每个条目都包含以下信息: | |
message: 包含role和content字段 | |
finish_reason: 生成任务结束的原因,可以是stop(遇到停止符)、length(达到最大长度)、content_filter(被OpenAI的内容过滤器移除) | |
index: 表示该选项在choices列表中的索引位置。 | |
usage | 提供了关于文本生成过程的统计信息,包括prompt_tokens(提示的Token数量)、completion_tokens(生成的Token数量)、total_.tokens(总的Token数量) |
文本生成
文本生成补全(Completion)是该API的核心功能,提供了一个灵活和强大的接口。用户输入一些文本作为提示词(Prompt),API会返回匹配用户提供的指令或上下文的补全文本。
from openai import OpenAI # 导入OpenAI库
client = OpenAI() # 创建OpenAI客户端对象
response = client.completions.create(
model="gpt-3.5-turbo-instruct",
prompt="你好,很高兴",
temperature=0.5
)
print(response.choices[0].text)
认识你!我是一个人工智能助手
语音生成
接受三个关键输入:
模型
应转换为音频的文本
用于生成音频的语音
from openai import OpenAI # 导入OpenAI库
client = OpenAI() # 创建OpenAI客户端对象
speech_file_path = "./speech.mp3" # 定义要保存生成语音文件的路径
# 向OpenAI API 发送请求,生成语音文件
response = client.audio.speech.create(
model="tts-1", # 指定使用的语音生成模型
voice="alloy", # 指定使用的语音风格
input="Today is a wonderful day to build something people love!" # 要转换为语音的输入文本
)
# 将生成的语音文件保存到本地磁盘
response.stream_to_file(speech_file_path)
语音选项:alloy、echo、fable、onyx、nova、shimmer
支持的输出格式:默认响应格式为“mp3”,但也可以使用“opus”、“aac”、“flac”和“pcm”等其他格式。
Opus:用于互联网流媒体和通信,低延迟
AAC:用于数字音频压缩,YouTube、Android、iOS 首选
FLAC:用于无损音频压缩,受到音频爱好者存档的青睐
WAV:未压缩的 WAV 音频,适合低延迟应用,以避免解码开销
PCM:与 WAV 类似,但包含 24kHz 的原始样本(16 位有符号、低端),没有标头
旧版OpenAI API
安装OpenAI库
OpenAI API应该是从1.0.0版本开始进行了升级,写法相比新版API有所不同
pip install openai==0.28.1
设置OpenAI API秘钥
import os
os.environ["OPENAI_BASE_URL"] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY"] = "sk-BGFnOL9Q4c99B378B66cT3BlBKFJ28839b4813bc437B82c2"
Chat聊天
import openai
response = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "你是一个乐于助人的助手。"},
{"role": "user", "content": "你好啊!"},
],
temperature=0.8,
max_tokens=30
)
print(response['choices'][0]['message']['content'])
文本生成
import openai
response = openai.completions.create(
model="gpt-3.5-turbo-instruct",
prompt="你是"
)
print(response.choices[0].text.strip())
最后分享
学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。
这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频,免费分享!
一、大模型全套的学习路线
L1级别:AI大模型时代的华丽登场
L2级别:AI大模型API应用开发工程
L3级别:大模型应用架构进阶实践
L4级别:大模型微调与私有化部署
达到L4级别也就意味着你具备了在大多数技术岗位上胜任的能力,想要达到顶尖水平,可能还需要更多的专业技能和实战经验。
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、大模型经典PDF书籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
作为普通人在大模型时代,需要不断提升自己的技术和认知水平,同时还需要具备责任感和伦理意识,为人工智能的健康发展贡献力量。
有需要全套的AI大模型学习资源的小伙伴,可以微信扫描下方CSDN官方认证二维码,免费领取【保证100%免费
】
如有侵权,请联系删除。