openai的api在哪的进一步展开说明

立即学习使用OpenAI API的方法！

通过立即学习使用OpenAI API，您将能够访问OpenAI的强大模型，如用于自然语言任务的GPT⑶、将自然语言转换为代码的Codex和用于创建和编辑原始图象的DALL-E。

在本指南中，我们将学习怎样使用Python与OpenAI API进行交互。如果您对数据科学感兴趣，您还可以浏览以下文章：

• 数据科学家定阅ChatGPT三周体验：每天节省3小时工作时间！
• 没有经验？一样能取得数据科学实习机会
• 14场Kaggle比赛，开启你的数据科学之旅
• 怎么从数据分析师过渡到数据科学家的角色？

第一步：生成您的API密钥（https://beta.openai.com/account/api-keys）

在我们开始使用OpenAI API之前，我们需要登录我们的OpenAI账户并生成我们的API密钥。

请记住，在您生成私有API密钥后，OpenAI不会再次显示它，因此请复制您的API密钥并保存下来。

我将创建一个名为OPENAI_API_KEY的环境变量，该变量将包括我的API密钥，并将在下一节中使用。

使用Python探索OpenAI API

要与OpenAI API进行交互，我们需要通过运行以下命令来安装官方的Python库。

“`
pip install openai
“`

我们可使用这个API做很多事情。在本指南中，我们将介绍文本补全、代码补全和图象生成。

文本补全

文本补全可用于分类、文本生成、对话、转换、摘要等。要使用它，我们一定要使用完成端点并为模型提供提示。然后，模型将生成尝试匹配给定上下文/模式的文本。

假定我们要对以下文本进行分类：

“`
肯定推文的情绪是积极的、中立的或者消极的。

推特：我不喜欢新的蝙蝠侠电影！

情绪：
“`

以下是我们将怎样使用OpenAI API履行此操作：

“`python
import os
import openai

openai.api_key = os.getenv(“OPENAI_API_KEY”)

prompt = “””
Decide whether a Tweet’s sentiment is positive, neutral, or negative.

Tweet: I didn’t like the new Batman movie!

Sentiment:
“””

response = openai.Completion.create(
model=”text-davinci-003″,
prompt=prompt,
max_tokens=100,
temperature=0
)

print(response)
“`

根据OpenAI文档，GPT⑶模型旨在与文本补全端点一起使用。这就是为何我们在这个例子中使用模型text-davinci-003。

这是打印输出的一部份：

“`json
{
“choices”: [
{
“finish_reason”: “stop”,
“index”: 0,
“logprobs”: null,
“text”: “Negative”
}
],
…
}
“`

在这个例子中，推特的情绪被归类为负面。

让我们看一下在这个例子中使用的参数：

• model：要使用的模型ID（在这里您可以看到所有可用的模型）
• prompt：生成补全的提示
• max_token：补全中要生成的最大令牌数（在这里您可以看到OpenAI使用的分词器：https://beta.openai.com/tokenizer）
• temperature：要使用的采样温度。接近1的值将给模型更多的自由/创造力，而接近0的值将生成明肯定义的答案。

您还可使用completion和edit端点插入和编辑文本（https://beta.openai.com/docs/guides/completion/editing-text）。

代码补全

代码补全的工作方式与文本补全类似，但在这里我们使用Codex模型来理解和生成代码。

Codex模型是在自然语言和数十亿行代码训练的GPT⑶系列的基础上进化而来的。借助Codex，我们可以将注释转换为代码、重写代码以提高效力等。

让我们使用模型code-davinci-002和下面的提示生成Python代码。

“`python
import os
import openai

openai.api_key = os.getenv(“OPENAI_API_KEY”)

response = openai.Completion.create(
model=”code-davinci-002″,
prompt=””””
Create an array of weather temperatures for Los Angeles
””””,
temperature=0,
max_tokens=256,
top_p=1,
frequency_penalty=0,
presence_penalty=0
)

print(response)
“`

这是打印输出的一部份：

“`json
{
“choices”: [
{
“finish_reason”: “stop”,
“index”: 0,
“logprobs”: null,
“text”: “…
import numpy as np def create_temperatures(n): ””” Create an array of weather temperatures for Los Angeles ””” temperatures = np.random.uniform(low=14.0, high=20.0, size=n) return temperatures ”
}
],
…
}
“`

如果您提供正确的格式化文本，您将得到以下内容：

“`python
import numpy as np

def create_temperatures(n):
”””
Create an array of weather temperatures for Los Angeles
”””
temperatures = np.random.uniform(low=14.0, high=20.0, size=n)
return temperatures
“`

您可以做更多的事情，但首先我建议您在Playground上测试Codex（这里有一些例子可以帮助您入门：https://beta.openai.com/docs/guides/code/quickstart）。

另外，我们应遵守最好实践，以最大程度地利用Codex的作用。我们应在说明中指定要使用的语言和库，在函数中放置注释等。

图象生成

我们可使用DALL-E模型生成图象。为此，我们一定要使用图象生成端点并提供文本提示。

以下是我们将使用的提示（请记住，我们在提示中提供的详细信息越多，我们就越有可能取得所需的结果）：

“`
一只毛茸茸的白猫，蓝色的眼睛，坐在花篮里，可爱地抬头看着镜头。
“`

“`python
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=”1024×1024″
)

image_url = response[‘data’][0][‘url’]

print(image_url)
“`

打开打印出的URL后，我得到了以下图象。

但这还不是全部！您还可使用图象编辑和图象变体端点编辑图象并生成给定图象的变体。（https://beta.openai.com/docs/guides/images/usage）

就是这样！如果您想了解更多关于使用OpenAI API履行的操作，请查看其文档（https://beta.openai.com/docs/introduction）。

感谢浏览。您还可以定阅我们的YouTube频道，观看大量与大数据行业相关的公然课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ，也能够在LinkedIn上关注我们，扩大您的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：The PyCoach

翻译作者：马薏菲

美工编辑：过儿

校订审稿：Chuang

原文链接：https://artificialcorner.com/a-simple-guide-to-openai-api-with-python⑶bb4ed9a4b0a

openai的api在哪的常见问答Q&A

import openai

# 设置 API key
openai.api_key = "YOUR_API_KEY"

# 调用指定的 API 接口
response = openai.Completion.create(
  engine="text-davinci-003",
  prompt="你的输入文本",
  max_tokens=50
)

# 处理返回结果
completion_result = response.choices[0].text.strip()