最近 OpenAI 宣布 ChatGPT 将很快推出他们的 API。虽然我们不知道这需要多长时间，但这之前我们可以熟悉下OpenAI API，快速开发自己的AI应用！

通过今天学习 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。

这篇文章的例子将用Pyhon编写。

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。

这里要注意，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

我们可以用这个 API 做很多事情。 在本文中，我们将分别完成文字、代码和图像的生成。

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：

以下就是用到的代码：

   

    

     

      

     
     

      

       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。

代码生成一个序列，内容包含上海的温度。

   

    

     

      

     
     

      

       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
      
     
   

如果想开发更多，我建议你在 Playground 中测试 Codex（这里有一些帮助你入门的示例）

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）。

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)
      
     
   

以下是我得到的图片：

当然更有趣的是，还可以使用image edits and image variations endpoints编辑图像并生成原图像的调整。

好了，这篇文章就到这里，希望能激发你的创造力，更多OpenAI API的使用请参考官方文档。