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

如果出现此类错误，大概率是该虚拟环境的配置文件中和安装openai配置文件存在冲突，所以最稳妥的解决办法创建一个新的虚拟环境专门用于openai

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。

参考链接：https://www.jianshu.com/p/acbcb4e6db5c