python api接口调用（10分钟学会python对接【OpenAI API篇】）

今天学习 OpenAI API    
    
    ，你将能够访问 OpenAI 的强大模型     


     


     


，例如用于自然语言的 GPT-3    
    
    、用于将自然语言翻译为代码的 Codex 以及用于创建和编辑原始图像的 DALL-E    
    
    。

首先获取生成 API 密钥

在我们开始使用 OpenAI API 之前




 




 




，我们需要登录我们的 OpenAI 帐户并生成我们的API 密钥     


     


     


。

注意
   

   

   ，OpenAI 不会在生成 API 密钥后再次显示它     

     

     

，因此请及时复制你的 API 密钥并保存




 




 




。我将创建一个名为 OPENAI_API_KEY 的环境变量 




  




  




，它将包含我的 API 密钥并将在下一节中使用
   

   

   。

使用 Python接入 OpenAI API

要与 OpenAI API 交互

  


  


  ，我们需要通过运行以下命令来安装官方OpenAI包     

     

     

。

pip install openai

1.文本生成

文本生成可用于文字鉴别     


     


     


、文本生成




 




 




、自动对话
   

   

   、转换     

     

     

、摘要等 




  




  




。要使用它     
     
     
，我们必须使用completion endpoint并为模型提供触发指令  




   




   




，然后模型将生成匹配上下文/模式的文本

  


  


  。

假设我们要对以下文本进行鉴别


 



 



 ，我们向AI输入指令（中英文都可以）：

判断以下Mike的发言情绪是正面 




  




  




、中立还是负面： Mike：我不喜欢做作业！ Sentiment： import os import openai openai.api_key = os.getenv("OPENAI_API_KEY") prompt = """ Decide whether a Mikes sentiment is positive, neutral, or negative. Mike: I dont like homework! Sentiment: """ response = openai.Completion.create( model="text-davinci-003", prompt=prompt, max_tokens=100, temperature=0 ) print(response)

根据 OpenAI 文档               ，GPT-3 模型是与文本生成的endpoint一起使用     
     
     
。 这就是我们在此示例中使用模型 text-davinci-003 的原因  




   




   




。

以下是返回值的部分打印：

{ "choices": [ { "finish_reason": "stop", "index": 0, "logprobs": null, "text": "Negative" } ], ... }

在此示例中   




    




    




，推文的情绪被归类为负面Negative


 



 



 。

让我们看一下这个例子中使用的参数：

model ：要使用的模型的 ID（在这里你可以看到所有可用的模型）

Prompt：生成结果的触发指令

max_token：完成时生成的最大token数量（这里可以看到OpenAI使用的tokenizer）

temperature：要使用的采样策略               。 接近 1 的值会给模型带来更多风险/创造力













，而接近 0 的值会生成明确定义的答案   




    




    




。

2. 代码生成

代码生成与文本生成类似               ，但这里我们使用 Codex 模型来理解和生成代码













。

Codex 模型系列是经过自然语言和数十亿行代码训练的 GPT-3 系列的后代               。 借助 Codex    



     



     



，我们可以将注释转化为代码

  


  


  、重写代码以提高效率等等    



     



     



。

让我们使用模型 code-davinci-002 和下面的触发指令生成 Python 代码














。

import os import openai openai.api_key = os.getenv("OPENAI_API_KEY") response = openai.Completion.create( model="code-davinci-002", prompt="\"\"\"\nCreate an array of weather temperatures for Shanghai\n\"\"\"", temperature=0, max_tokens=256, top_p=1, frequency_penalty=0, presence_penalty=0 ) print(response)

以下是返回值的部分打印：

{ "choices": [ { "finish_reason": "stop", "index": 0, "logprobs": null, "text": "\n\nimport numpy as np\n\ndef create_temperatures(n):\n \"\"\"\n Create an array of weather temperatures for Shanghai\n \"\"\"\n temperatures = np.random.uniform(low=14.0, high=20.0, size=n)\n return temperatures" } ], ... } }

把text部分重新显示格式化一下














，你就会看到规整的代码生成了：

import numpy as np def create_temperatures(n): temperatures = np.random.uniform(low=14.0, high=20.0, size=n) return temperatures

3. 图像生成

我们可以使用 DALL-E 模型生成图像    
    
    ，我们使用图像生成endpoint并提供文本指令    
    
    。

以下是我的测试指令（我们在指令中提供的细节越多     


     


     


，我们就越有可能获得我们想要的结果）     


     


     


。

例如： 一只毛茸茸的蓝眼睛白猫坐在花篮里




 




 




，可爱地抬头看着镜头

import openai response = openai.Image.create( prompt="A fluffy white cat with blue eyes sitting in a basket of flowers, looking up adorably at the camera", n=1, size="1024x1024" ) image_url = response[data][0][url] print(image_url)

即可生成图片




 




 




。

当然更有趣的是
   

   

   ，还可以使用images编辑图像并生成原图像的调整
   

   

   。

详细请查看官方文档：openAI官方文档