最近 OpenAI 宣布 ChatGPT 將很快推出他們的 API。雖然我們不知道這需要多長時間，但這之前我們可以熟悉下OpenAI API，快速開發(fā)自己的AI應(yīng)用！
通過今天學(xué)習(xí) OpenAI API，你將能夠訪問 OpenAI 的強大模型，例如用于自然語言的 GPT-3、用于將自然語言翻譯為代碼的 Codex 以及用于創(chuàng)建和編輯原始圖像的 DALL-E。
這篇文章的例子將用Pyhon編寫。
生成 API 密鑰
在我們開始使用 OpenAI API 之前，我們需要登錄我們的 OpenAI 帳戶并生成我們的API 密鑰。
這里要注意，OpenAI 不會在生成 API 密鑰后再次顯示它，因此請及時復(fù)制你的 API 密鑰并保存。我將創(chuàng)建一個名為 OPENAI_API_KEY 的環(huán)境變量，它將包含我的 API 密鑰并將在下一節(jié)中使用。
使用 Python接入 OpenAI API
要與 OpenAI API 交互，我們需要通過運行以下命令來安裝官方OpenAI包。
pip install openai
我們可以用這個 API 做很多事情。 在本文中，我們將分別完成文字、代碼和圖像的生成。
1.文本生成
文本生成可用于文字鑒別、文本生成、自動對話、轉(zhuǎn)換、摘要等。要使用它，我們必須使用completion endpoint并為模型提供觸發(fā)指令，然后模型將生成匹配上下文/模式的文本。
假設(shè)我們要對以下文本進行鑒別，我們向AI輸入指令（中英文都可以）：
判斷以下Mike的發(fā)言情緒是正面、中立還是負(fù)面： Mike：我不喜歡做作業(yè)！ Sentiment：
以下就是用到的代碼：
import os import openai
openai.api_key = os.getenv("OPENAI_API_KEY") prompt = """
Decide whether a Mike's sentiment is positive, neutral, or negative.
Mike: I don't like homework!
Sentiment:
"""
response = openai.Completion.create( model="text-davinci-003", prompt=prompt, max_tokens=100, temperature=0 ) print(response)
根據(jù) OpenAI 文檔，GPT-3 模型是與文本生成的endpoint一起使用。 這就是我們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，推文的情緒被歸類為負(fù)面Negative。
讓我們看一下這個例子中使用的參數(shù)：
model ：要使用的模型的 ID（在這里你可以看到所有可用的模型）
Prompt：生成結(jié)果的觸發(fā)指令
max_token：完成時生成的最大token數(shù)量（這里可以看到OpenAI使用的tokenizer）
temperature：要使用的采樣策略。 接近 1 的值會給模型帶來更多風(fēng)險/創(chuàng)造力，而接近 0 的值會生成明確定義的答案。
2. 代碼生成
代碼生成與文本生成類似，但這里我們使用 Codex 模型來理解和生成代碼。
Codex 模型系列是經(jīng)過自然語言和數(shù)十億行代碼訓(xùn)練的 GPT-3 系列的后代。 借助 Codex，我們可以將注釋轉(zhuǎn)化為代碼、重寫代碼以提高效率等等。
讓我們使用模型 code-davinci-002 和下面的觸發(fā)指令生成 Python 代碼。
代碼生成一個序列，內(nèi)容包含上海的溫度。
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部分重新顯示格式化一下，你就會看到規(guī)整的代碼生成了：
import numpy as np
def create_temperatures(n):
temperatures = np.random.uniform(low=14.0, high=20.0, size=n)
return temperatures
如果想開發(fā)更多，我建議你在 Playground 中測試 Codex（這里有一些幫助你入門的示例）
3. 圖像生成
我們可以使用 DALL-E 模型生成圖像，我們使用圖像生成endpoint并提供文本指令。
以下是我的測試指令（我們在指令中提供的細(xì)節(jié)越多，我們就越有可能獲得我們想要的結(jié)果）。
一只毛茸茸的藍(lán)眼睛白貓坐在花籃里，可愛地抬頭看著鏡頭
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)
以下是我得到的圖片：
當(dāng)然更有趣的是，還可以使用image edits and image variations endpoints編輯圖像并生成原圖像的調(diào)整。
好了，這篇文章就到這里，希望能激發(fā)你的創(chuàng)造力，更多OpenAI API的使用請參考官方文檔。
