HOT
Join Now

通过 Python 中的 OpenAI API 使用 GPT-3.5 和 GPT-4

AI教程精选2mos agoupdate Pete London
1 0 0

ChatGPT 是一种用于生成文本的尖端大型语言模型。它已经改变了我们编写几乎所有类型文本的方式，从类似本教程的文本到自动生成的产品描述、Bing 的搜索引擎结果，以及ChatGPT 数据科学备忘单中描述的数十种数据用例。

对于交互式使用，ChatGPT 的 Web 界面是理想的选择。不过，OpenAI（ChatGPT 背后的公司）也有一个应用程序编程接口 (API)，可让您使用代码与 ChatGPT 及其其他模型进行交互。

在本教程中，您将学习如何使用openaiPython 包以编程方式与 ChatGPT 进行对话。

请注意，OpenAI 会收取使用 GPT API 的费用。（有时会向新用户提供免费积分，但谁能获得积分以及此优惠将持续多久尚不透明。）费用为 0.002 美元/1000 个代币，其中 1000 个代币约等于 750 个单词。运行本教程中的所有示例一次的费用应低于 2 美分（但如果您重新运行任务，则每次都会向您收费）。

何时应使用 API 而不是 Web 界面？

ChatGPT Web 应用程序是 GPT 模型的绝佳接口。但是，如果您想将 AI 纳入数据管道或软件中，API 更合适。数据从业者的一些可能用例包括：

  • 从数据库或其他 API 中提取数据，然后要求 GPT 对其进行汇总或生成相关报告
  • 在仪表板中嵌入 GPT 功能，以自动提供结果的文本摘要
  • 为您的数据集市提供自然语言界面
  • 通过学术（ PyPI、Conda ）包提取期刊论文，并让 GPT 总结结果，从而进行研究

设置OpenAI开发者账户

要使用 API，您需要在 OpenAI 创建一个开发者帐户。您需要准备好您的电子邮件地址、电话号码以及借记卡或信用卡详细信息。

请按以下步骤操作：

  1. 转到API 注册页面。
  2. 创建您的帐户（您需要提供您的电子邮件地址和电话号码）。
  3. 转到API 密钥页面。
  4. 创建一个新的密钥。
  5. 复制此密钥。（如果丢失，请删除该密钥并创建新密钥。）
  6. 转到付款方式页面。
  7. 点击“添加付款方式”并填写您的卡详细信息。

安全存储您的账户凭证

密钥需要保密！否则，其他人可以使用它来访问 API，您将为此付费。以下步骤描述了如何安全地将您的密钥存储在DataLab（DataCamp 支持 AI 的数据笔记本）中。如果您使用的是其他平台，请查看该平台的文档。您也可以向 ChatGPT 寻求建议。以下是建议的提示：

> 您是 IT 安全专家。您正在与数据科学家交谈。解释安全存储用于 API 访问的私钥的最佳实践。

  1. 在 DataLab 工作簿中，单击“环境”
  2. 单击“环境”旁边的加号
  3. 在“名称”字段中输入“OPENAI”。在“值”字段中粘贴您的密钥
  4. 为环境变量集命名（实际上，可以是任何名称）
  5. 单击“创建”，并连接新的集成

设置 Python

要通过 API 使用 GPT，您需要导入os和openaiPython 包。

如果您正在使用 Jupyter Notebook 解决方案（如DataLab），从中导入一些函数也会很有帮助IPython.display。

一个例子还使用 yfinance 包来检索股票价格。

# Import the os package
import os

# Import the openai package
import openai

# From the IPython.display package, import display and Markdown
from IPython.display import display, Markdown

# Import yfinance as yf
import yfinance as yf

另一个设置任务是将刚刚创建的环境变量放在 openai 包可以看到的地方。

# Set openai.api_key to the OPENAI environment variable
openai.api_key = os.environ["OPENAI"]

通过 API 调用 GPT 的代码模式

调用 OpenAI API 并获取聊天响应的代码模式如下：

response = openai.ChatCompletion.create(
              model="MODEL_NAME",
              messages=[{"role": "system", "content": 'SPECIFY HOW THE AI ASSISTANT SHOULD BEHAVE'},
                        {"role": "user", "content": 'SPECIFY WANT YOU WANT THE AI ASSISTANT TO SAY'}
              ])

这里有几件事情需要解开。

GPT 的 OpenAI API 模型名称

模型名称列在开发者文档的“模型概述”页面中。在本教程中，您将使用gpt-3.5-turbo，这是 ChatGPT 使用的最新模型，具有公共 API 访问权限。（当它广泛可用时，您将需要切换到gpt-4。）

OpenAI API GPT 消息类型

聊天文档简介中记录了三种类型的消息：

  • system消息描述了 AI 助手的行为。对于数据科学用例来说，一个有用的系统消息是“您是一位了解数据科学的乐于助人的助手。”
  • user消息描述您希望 AI 助手说的内容。我们将在本教程中介绍用户消息的示例
  • assistant消息描述了对话中的先前响应。我们将在后面的任务中介绍如何进行交互式对话

第一条消息应为系统消息。其他消息应在用户和助手之间交替发送。

您的第一次对话：生成数据集

生成示例数据集对于针对不同数据场景测试代码或向其他人演示代码非常有用。要从 GPT 获得有用的响应，您需要精确地指定数据集的详细信息，包括：

  • 行数和列数
  • 列的名称
  • 每列内容的描述
  • 数据集的输出格式

这是创建数据集的示例用户消息。

Create a small dataset about total sales over the last year. 
The format of the dataset should be a data frame with 12 rows and 2 columns. 
The columns should be called "month" and "total_sales_usd". 
The "month" column should contain the shortened forms of month names 
from "Jan" to "Dec". The "total_sales_usd" column should 
contain random numeric values taken from a normal distribution 
with mean 100000 and standard deviation 5000. Provide Python code to 
generate the dataset, then provide the output in the format of a markdown table.

我们将此消息包含在先前的代码模式中。

# Define the system message
system_msg = 'You are a helpful assistant who understands data science.'

# Define the user message
user_msg = 'Create a small dataset about total sales over the last year. The format of the dataset should be a data frame with 12 rows and 2 columns. The columns should be called "month" and "total_sales_usd". The "month" column should contain the shortened forms of month names from "Jan" to "Dec". The "total_sales_usd" column should contain random numeric values taken from a normal distribution with mean 100000 and standard deviation 5000. Provide Python code to generate the dataset, then provide the output in the format of a markdown table.'

# Create a dataset using GPT
response = openai.ChatCompletion.create(model="gpt-3.5-turbo",
                                        messages=[{"role": "system", "content": system_msg},
                                         {"role": "user", "content": user_msg}])

检查 GPT 的响应是否正常

API 调用“有风险”，因为问题可能发生在您的笔记本之外，例如互联网连接问题、服务器向您发送数据的问题，或者您的 API 信用额度用完。您应该检查收到的响应是否正常。

GPT 模型返回一个具有四个值之一的状态代码，记录在聊天文档的响应格式部分中。

  • stop：API 返回完整的模型输出
  • length：由于max_tokens参数或token限制导致模型输出不完整
  • content_filter：由于我们的内容过滤器的标记，省略了内容
  • null：API 响应仍在进行中或未完成

GPT API 以 JSON 格式向 Python 发送数据，因此响应变量包含深度嵌套的列表和字典。处理起来有点麻烦！

对于名为 的响应变量response，状态代码存储在以下位置。

response["choices"][0]["finish_reason"]

提取人工智能助手的信息

响应变量中隐藏着我们要求 GPT 生成的文本。幸运的是，它始终位于同一位置。

response["choices"][0]["message"]["content"]

响应内容可以照常使用 打印print(content)，但它是 Markdown 内容，Jupyter 笔记本可以通过以下方式呈现display(Markdown(content))

Here's the Python code to generate the dataset:

import numpy as np
import pandas as pd
# Set random seed for reproducibility
np.random.seed(42)
# Generate random sales data
sales_data = np.random.normal(loc=100000, scale=5000, size=12)
# Create month abbreviation list
month_abbr = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
# Create dataframe
sales_df = pd.DataFrame({'month': month_abbr, 'total_sales_usd': sales_data})
# Print dataframe
print(sales_df)

And here's the output in markdown format:

| month | total_sales_usd |

|-------|----------------|

| Jan | 98728.961189 |

| Feb | 106931.030292 |

| Mar | 101599.514152 |

| Apr | 97644.534384 |

| May | 103013.191014 |

| Jun | 102781.514665 |

| Jul | 100157.741173 |

| Aug | 104849.281004 |

| Sep | 100007.081991 |

| Oct | 94080.272682 |

| Nov | 96240.993328 |

| Dec | 104719.371461 |

使用辅助函数调用 GPT

您需要编写大量重复的样板代码来完成这三件简单的事情。使用包装函数来抽象出无聊的部分很有用。这样，我们就可以专注于数据科学用例。

希望 OpenAI 能够改进其 Python 包的接口，以便将此类功能内置于其中。与此同时，您可以随意在自己的代码中使用它。

该函数接受两个参数。

  • system：包含系统消息的字符串。
  • user_assistant：交替显示用户消息和助手消息的字符串数组。

返回值是生成的内容。

def chat(system, user_assistant):
  assert isinstance(system, str), "`system` should be a string"
  assert isinstance(user_assistant, list), "`user_assistant` should be a list"
  system_msg = [{"role": "system", "content": system}]
  user_assistant_msgs = [
      {"role": "assistant", "content": user_assistant[i]} if i % 2 else {"role": "user", "content": user_assistant[i]}
      for i in range(len(user_assistant))]

  msgs = system_msg + user_assistant_msgs
  response = openai.ChatCompletion.create(model="gpt-3.5-turbo",
                                          messages=msgs)
  status_code = response["choices"][0]["finish_reason"]
  assert status_code == "stop", f"The status code was {status_code}."
  return response["choices"][0]["message"]["content"]

此函数的示例用法为

response_fn_test = chat("You are a machine learning expert.",["Explain what a neural network is."])

display(Markdown(response_fn_test))
A neural network is a type of machine learning model that is inspired by the architecture of the human brain. It consists of layers of interconnected processing units, called neurons, that work together to process and analyze data.

Each neuron receives input from other neurons or from external sources, processes that input using a mathematical function, and then produces an output that is passed on to other neurons in the network.

The structure and behavior of a neural network can be adjusted by changing the weights and biases of the connections between neurons. During the training process, the network learns to recognize patterns and make predictions based on the input it receives.

Neural networks are often used for tasks such as image classification, speech recognition, and natural language processing, and have been shown to be highly effective at solving complex problems that are difficult to solve with traditional rule-based programming methods.

重复使用人工智能助手的响应

在许多情况下，您希望与 AI 进行更长时间的对话。也就是说，您向 GPT 发送提示，获得回复，然后发送另一个提示以继续聊天。在这种情况下，您需要在第二次调用 API 时包含 GPT 的先前回复，以便 GPT 拥有完整的上下文。这将提高回复的准确性并提高整个对话的一致性。

为了重复使用 GPT 的消息，您可以从响应中检索它，然后将其传递到新的聊天调用中。

示例：分析样本数据集

让我们尝试从之前生成的数据集中计算销售额列的平均值。请注意，由于我们chat()第一次没有使用该函数，因此我们必须使用较长的子集代码来获取先前的响应文本。如果使用chat()，代码会更简单。

# Assign the content from the response in Task 1 to assistant_msg
assistant_msg = response["choices"][0]["message"]["content"]

# Define a new user message
user_msg2 = 'Using the dataset you just created, write code to calculate the mean of the `total_sales_usd` column. Also include the result of the calculation.'

# Create an array of user and assistant messages
user_assistant_msgs = [user_msg, assistant_msg, user_msg2]

# Get GPT to perform the request
response_calc = chat(system_msg, user_assistant_msgs)

# Display the generated content
display(Markdown(response_calc))
Sure! Here's the code to calculate the mean of the `total_sales_usd` column: 

python 
mean_sales = sales_df['total_sales_usd'].mean() 
print("Mean sales: $", round(mean_sales, 2)) 

And here's the output of this code: 

Mean sales: $ 100077.57 

Therefore, the mean of total sales over the last year is about $100,077.57.

在管道中使用 GPT

使用 API 而非网页界面的一大优势是，您可以将 GPT 与其他 API 结合使用。从一个或多个来源提取数据，然后将 AI 应用于其中，这是一个强大的工作流程。

将 GPT AI 应用于天气数据

在这里，我们将使用 weather2 包（ PyPI ）获取天气预报，并使用 GPT 提出活动创意。

# Import the weather2 package
import weather

# Get the forecast for Miami
location = "Miami"
forecast = weather.forecast(location)

# Pull out forecast data for midday tomorrow
fcast = forecast.tomorrow["12:00"]

# Create a prompt
user_msg_weather = f"In {location} at midday tomorrow, the temperature is forecast to be {fcast.temp}, the wind speed is forecast to be {fcast.wind.speed} m/s, and the amount of precipitation is forecast to be {fcast.precip}. Make a list of suitable leisure activities."

# Call GPT
response_activities = chat("You are a travel guide.", [user_msg_weather])

display(Markdown(response_activities))
With mild temperatures and calm winds, Miami is the perfect place for leisure activities. Here are some suggestions:

1. Visit Miami's beaches and soak up some sun or take a dip in the ocean!

2. Explore Miami's art scene with a visit to the Perez Art Museum Miami or the Wynwood Walls.

3. Take a stroll along the famous Ocean Drive and enjoy the colorful Art Deco architecture.

4. Head to Little Havana to experience the Cuban culture and delicious cuisine.

5. Enjoy a scenic walk or bike ride through one of Miami's many parks, such as Bayfront Park or South Pointe Park.

6. Visit the Miami Seaquarium and see some incredible marine life up close.

7. Take a boat tour to see the stunning Miami skyline from the water.

8. Shopping enthusiasts can explore the many high-end boutiques and outdoor shopping malls, such as Lincoln Road Mall.

9. Foodies can venture to one of the many food festivals happening throughout the year.

10. Finally, there are plenty of nightclubs and live music venues to keep the night going.
© Copyright notes
If there is no special statement, the copyright of all articles on this site belongs to AIToolGrid. Without permission, any individual, media, website, or organization may not reproduce, plagiarize, or otherwise copy and publish the content of this site. Otherwise, AIToolGrid reserves the right to pursue related legal responsibilities.

Related posts

No comments

none
No comments...

网址

DayWeekMonth
中国人工智能公司 MiniMax 发布新模型，声称可与业内最佳模型相媲美

中国人工智能公司 MiniMax 发布新模型，声称可与业内最佳模型相媲美

10
View full list

标签云