【一文系列】一篇文章记载gpt API的运用进程(python版)
“一文系列”方针是仅经过一篇文章来解决一个类别问题,简洁高效,快速获取知识,提升技术。
前言
让咱们开始吧!!!
自然言语处理(NLP)作为人工智能范畴的关键技术之一,正在以迅猛的脚步开展。OpenAI的GPT系列模型一直是NLP范畴的领军者,为咱们带来了许多令人惊叹的发展。也为开发者提供了无与伦比的自然言语处理能力。本文将探讨ChatGPT API的背景,并以python言语为例,依据gpt-3.5-turbo-0613模型进行API调用、小比如、进阶运用等方面的讨论,协助读者能够了解如何运用AI来发明程序开发的新时代。
一、背景介绍
就在前些时刻,openai推出了gpt-3.5-turbo-0613和gpt-3.5-turbo-16k这两款为开发者提供更强大和多样化的自然言语处理模型,在gpt-3.5-turbo模型的基础上进一步缩短了单次拜访的呼应时刻,并扩展了模型的使用规模。
作为大言语模型,gpt的功用远不止进行智能聊天那么简略,假如能够凭借AI的力气来完结咱们日常开发中比较扎手的问题,那才是AI真正能为开发人员进行赋能的价值,依据以上思考,本文将从简略的gpt API运用作为进口,并经过案例来展现gpt模型在NLP范畴的前瞻性含义以及能为开发人员带来的无限或许。
二、gpt API的代码调用
1. 环境预备
(1)python3环境
: 本文在进行gpt API的运用上是直接依据python3的openai模块进行的,所以应该确保操作系统中依照了python3环境,python3的装置这儿不再过多陈述,详细的装置办法请参阅python官网。
(2)openai API key
: 需求去openai官网上申请API key。
(3)外网拜访条件
:openai api的拜访服务现在还没有向国内提供,在进行调用时需求经过技术手段进行科学上网,或是在国外vps服务器上拜访,引荐运用第二种方案,第一种会有被封号的或许。
(4)openai python模块
:装置好python3环境后能够运用以下2种命令装置openai模块
运用pip东西
pip3 install openai
运用conda东西
# 需求装置conda环境
conda install openai
2. 环境验证
完结上述的环境预备,就能够上手进行openai模块的调用,能够运用以下代码来验证环境的可用性。
将api key写入环境变量,不引荐以明文方法在代码中呈现
export OPENAI_API_KEY="<OPENAI_API_KEY>"
环境验证代码
import openai
import os
# 从环境变量中读取openai api key
openai.api_key = os.getenv('OPENAI_API_KEY')
resp = openai.ChatCompletion.create(
model = 'gpt-3.5-turbo-0613',
messages = [{'role': 'system', 'content': 'hello'}],
timeout = 30,
n = 1
)
print(resp)
当有如下输出后阐明环境验证成功,接下来就能够享受AI带来的趣味了。
3. 简略参数阐明
(1)恳求参数
-
model
: 模型的称号,这儿调用gpt-3.5-turbo-0613模型。 -
messages
: 音讯上下文列表,运用数组表明,数组的元素表明一次会话音讯,其间role特点表明当时会话的人物,包括:system、user和assistant。system表明系统音讯,user表明模型运用者,assistant表明gpt机器人;content特点表明当时会话的内容,未来提交给gpt的提示词便是这个特点。 -
timeout
: 会话超时时刻,单位为秒。 -
n
: 希望gpt给出答复的数目,会影响gpt呼应中的choices
数组长度,默以为1,一般运用默认值即可。
(2)呼应参数
-
choices
: gpt模型做出的答复的目标数组,数组长度为恳求参数中的n
。choices目标的各个特点如下:
-
finish_reason
: 模型关于此次会话完毕的原因,分别为stop、length、max_tokens,其间stop正常完毕,后边两项分别为是因为达到了最大内容长度和最大token而反常完毕。 -
index
: 在choices数组中的索引。 -
message
: 会话音讯目标,包括如下特点:-
content
: 音讯内容,即gpt模型给出的答复内容。 -
role
: gpt模型所扮演的人物,一般固定为assistant。
-
-
created
: 恳求的时刻戳。 -
id
: 恳求id。 -
model
: 模型称号,与恳求中的model参数一致。 -
object
: 返回的目标类型(例如:chat.completion) -
usage
: token的运用量,包括:-
completion_tokens
:模型完结会话所运用的token量。 -
prompt_tokens
:提示词运用的token量。 -
total_tokens
:一共运用的token量,即completion_tokens与prompt_tokens的累加和。
-
上述列出的是平常开发中最为常用的参数,更多参数请参阅openai官方文档。
三、牛刀小试:运用gpt API完结加法器
完结环境的构建,就能够凭借gpt API进行一些有趣的试验,在这一部分将以完结一个简略的加法器作为切入点,并总结了本人在运用gpt API时的过程和心得。
1. 创立使命提示词
提示词(prompt)在运用gpt这种生成式大言语模型中至关重要,好的提示词能够明晰的让AI理解功用需求,并能够对输入输出格局进行把控。本人在构建提示词时习气从以下方面来考虑:
(1)背景
:描绘需求场景,让gpt能够理解咱们的需求。
(2)输入格局
:给出咱们提供给gpt的输入格局,并对必要部分进行阐明,让gpt能够更有意图的提早咱们给出的提问。
(3)输出格局
:这部分至关重要,在不规矩输出格局时,gpt给出的答复格局是没有规矩的,咱们很难对成果进行意图性提取。因此需求严格规矩gpt的输出格局,这一点就类似于咱们日常的api接口开发,需求对期望成果指定返回格局,关于gpt模型而言道理同理。
(4)示例
:关于较为杂乱的需求或许只经过背景的描绘还不满足让gpt所理解,所以需求给出1到多个示例,就类似于咱们在做算法题一样,这样能够让gpt给出的成果更加精准。
(5)要求
:给出gpt一些要求去限制其答复,例如反常处理,格局操控等。
(6)使命
:明确需求使命,让gpt作为履行引擎来完结咱们的方针需求。
(7)承认
:用于承认gpt能否理解咱们的需求,一起也作为模型预处理阶段gpt给咱们的反应,只有经过承认的模型咱们才能够开始之后的交互操作。
依据上述阐明,为了gpt能够完结加法器需求,能够给出类似如下的提示词:
sum.prompt(我习气于将提示词文件命名为.prompt后缀,仅仅为了便利辨认)
-- 背景
加法功用是咱们常用的功用,能够将两个数字进行相加并求和,请依照以下要求完结数字求和的操作。
-- 输入格局
\input: [方括号内为数字1], [方括号内为数字2]
(阐明:输入有必要以"\input: "字符串作为最初,后边是两个数字类型参数
-- 输出格局
\output: [方括号内为数字1 + 数字2的成果]
(阐明:输出有必要以"\output: "字符串作为最初,后边是输入的两个数字类型的累加和
-- 示例
-- 我的输入:
\input: 1, 2
-- 你的输出:
\output: 3
-- 要求
1. 请校验输入格局,不满足输入格局的字符串依照过错状况处理,过错状况请只答复"error";
2. 请严格依照输出的格局进行答复;
-- 使命
请严格依照上述内容和要求依据我的输入做出相应答复,请只依照输出格局答复,回绝其他描绘性文字。
-- 承认
假如了解了上述要求,请只答复”yes“
2. 代码示例
import openai
import os
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
# 加载提示词文件并获取提示词
with open('./sum.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
def gpt_sum(val1: int, val2: int):
# 首要给出gpt使命提示词
messages = [{'role': 'system', 'content': prompt}]
# 模仿gpt的承认呼应,后续能够直接以user人物给出gpt问题
messages.append({'role': 'assistant', "content": 'yes'})
# 以user人物给出gpt问题
user_input = f"\input: {val1}, {val2}"
messages.append({'role': 'user', 'content': user_input})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
if gpt_resp.choices and gpt_resp.choices[0]:
resp_str: str = gpt_resp.choices[0].message.content
if resp_str and resp_str.startswith('\output: '):
return int(resp_str[len('\output: '):].strip())
raise Exception(
f'Failed to get available response from gpt, resp_str={resp_str}')
if __name__ == '__main__':
terminal_input = input("Please give two integers, split by comma: ")
inputs: list[str] = terminal_input.split(',')
if len(inputs) < 2:
raise Exception("Invalid input, Please give two integers, split by comma")
val1 = int(inputs[0].strip())
val2 = int(inputs[1].strip())
print(f"result = {gpt_sum(val1, val2)}")
3. 运行并测验
以下是履行成果:
4. 留意点
在试验中测验发现gpt关于输入格局的校验存在误判的状况,一般是会将过错的输入格局理解为正确的,但几乎没有呈现将正确的输入格局理解为过错的状况;别的一般gpt能够将与规矩输入格局相差较大的输入正确判别。以下是对上述观念的测验代码
gpt对与输入格局误判
import openai
import os
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
if __name__ == '__main__':
# 加载提示词文件并获取提示词
with open('./sum.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
# 首要给出gpt使命提示词
messages = [{'role': 'system', 'content': prompt}]
# 模仿gpt的承认呼应,后续能够直接以user人物给出gpt问题
messages.append({'role': 'assistant', "content": 'yes'})
# 以下的用户输入不满足提示词格局
user_input = "2, 3"
messages.append({'role': 'user', 'content': user_input})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
# gpt仍然将非法的输入格局理解为正确的,并能给出答案
misjudgement_content= gpt_resp.choices[0].message['content']
print(misjudgement_content)
messages.append({'role': 'assistant', 'content': misjudgement_content})
# 给出一个更加离谱的输入,一般这种状况gpt能够正确给出判别
messages.append({'role': 'user', 'content': "过错的输入"})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
correct_judgment = gpt_resp.choices[0].message['content']
# 能够正确给出校验成果
print(correct_judgment)
成果如下,能够发现gpt关于第一次的user输入未能给出正确的校验:
总结:最好在运用时运用咱们自己的程序对反常输入进行提早校验,避免gpt的误判已经或许对gpt带来的干扰。
四、进阶案例:运用gpt API完结交互式翻译器
有了上述的测验经历,能够运用gpt做一些更加杂乱的测验,毕竟单纯运用gpt作为累加器来说实属大材小用。在这部分将凭借gpt来完结一个终端交互式的翻译器。
实践上这部分的差异首要在于提示词的创立,别的考虑到gpt关于恳求速率会有限制,在恳求时增加了指数退避重试机制,来提高功用的可用。
依照第三部分的过程进行如下的操作:
1. 创立使命提示词
translator.prompt
-- 背景
需求完结将非中文言语(例如:英文、日文、韩文等)翻译成中文的功用。
-- 输入格局
{
”source": [方括号内是需求被翻译的文字内容,字符串类型]
}
(阐明:输入是json格局,包括一个source特点)
-- 输出格局
{
"success": [方括号内表明此次功用是否成功,值为布尔类型,成功为true, 失败为false]
"translation": [方括号内是将输入内容翻译为中文的文字内容,字符串类型,当且仅当success为true时有值]
"reason": [方括号内是过错信息,字符串类型,当且仅当success为false时有值]
}
(阐明:输出是json格局,包括success和translation特点)
-- 示例1
-- 我的输入
{
"source": "Try it yourself. It was fun!"
}
-- 你的答复
{
"success": true,
"translation": "试试看吧,这很有趣!"
}
-- 示例2
-- 我的输入
{
"source": "楽しみに待っています。"
}
-- 你的答复
{
"success": true,
"translation": "我正在等待地等待。"
}
-- 示例3
-- 我的输入
{
"wrong_attr": "wrong attribute"
}
-- 你的答复
{
"success": false,
"reason": "输入格局过错",
}
-- 要求
1. 请校验输入格局,不满足输入格局的字符串依照过错状况处理;
2. 请严格依照输出的json格局进行答复;
-- 使命
请严格依照上述内容和要求依据我的输入做出相应答复,请只依照输出内容答复,回绝其他描绘性文字。
-- 承认
假如了解了上述要求,请只答复”yes“
2. 代码示例
import jsonpickle
import openai
import os
import time
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
with open('./translator.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
class ChatGpt(object):
__init_interval = 2
__max_internal_exponent = 5
def __init__(self, model: str, messages: list, timeout: int = 30, max_retries: int = 3):
self.model = model
self.messages = messages
self.timeout = timeout
self.max_retries = max_retries
def response(self):
retry_time = 0
# 进行指数退避重试
while True:
try:
return openai.ChatCompletion.create(
model=self.model,
messages=self.messages,
timeout=self.timeout
)
except openai.error.RateLimitError as e:
interval = self.__init_interval * \
(1 << min(self.__max_internal_exponent, retry_time))
print(
f"[warning]: Slepp {interval}s and retry due to rate limitation")
time.sleep(interval)
retry_time += 1
def translate(content: str):
messages = [{'role': 'system', 'content': prompt}]
messages.append({'role': 'assistant', "content": 'yes'})
messages.append({'role': 'user', 'content': jsonpickle.encode({
"source": content
}, indent=True)})
gpt = ChatGpt(model=model_name, messages=messages)
gpt_resp = gpt.response()
if gpt_resp.choices and gpt_resp.choices[0]:
resp = gpt_resp.choices[0].message.content
resp_obj = jsonpickle.decode(resp)
if True is resp_obj['success']:
return resp_obj['translation']
else:
if False is resp_obj['success'] and resp_obj['reason']:
raise Exception(resp_obj['reason'])
return None
if __name__ == '__main__':
while True:
source = input("Please input, enter Q to quit: ")
if source == 'Q':
print('Bye!')
break
print(f">>> {translate(source)}")
3. 运行并测验
以下是履行成果:
上述测验分别运用英文、日文和法文进行了测验,实践发现gpt模型更倾向于欧美言语的翻译,关于其他地区的翻译有时会呈现不太精确的状况,不过能够证明gpt已经能够很好的完好咱们既定的需求了。
总结
一文总结
经过本篇文章,能够协助读者了解ChatGPT API的背景和代码调用方法。一起,咱们探究了API的小比如和进阶运用技巧。ChatGPT API为开发者带来了更多或许性,咱们等待在不同范畴看到更多创新和使用。
最终希望笔者的文章能给大家带来协助,内容方面如有不足之处也希望大家多多给出定见和建议,让咱们共同进步!!!
示例代码地址:gitee