最近 OpenAI 宣佈 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，快速開發自己的AI應用！

通過今天學習 OpenAI API，你將能夠訪問 OpenAI 的強大模型，例如用於自然語言的 GPT-3、用於將自然語言翻譯為代碼的 Codex 以及用於創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 帳户並生成我們的API 密鑰。

這裏要注意，OpenAI 不會在生成 API 密鑰後再次顯示它，因此請及時複製你的 API 密鑰並保存。我將創建一個名為 OPENAI_API_KEY 的環境變量，它將包含我的 API 密鑰並將在下一節中使用。

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

文本生成可用於文字鑑別、文本生成、自動對話、轉換、摘要等。要使用它，我們必須使用completion endpoint併為模型提供觸發指令，然後模型將生成匹配上下文/模式的文本。

假設我們要對以下文本進行鑑別，我們向AI輸入指令（中英文都可以）：

判斷以下Mike的發言情緒是正面、中立還是負面： \ Mike：我不喜歡做作業！ \ 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 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面Negative。

讓我們看一下這個例子中使用的參數：

model ：要使用的模型的 ID（在這裏你可以看到所有可用的模型）

Prompt：生成結果的觸發指令

max_token：完成時生成的最大token數量（這裏可以看到OpenAI使用的tokenizer）

temperature：要使用的採樣策略。 接近 1 的值會給模型帶來更多風險/創造力，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，但這裏我們使用 Codex 模型來理解和生成代碼。

Codex 模型系列是經過自然語言和數十億行代碼訓練的 GPT-3 系列的後代。 藉助 Codex，我們可以將註釋轉化為代碼、重寫代碼以提高效率等等。

讓我們使用模型 code-davinci-002 和下面的觸發指令生成 Python 代碼。

代碼生成一個序列，內容包含上海的温度。 ``` 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部分重新顯示格式化一下，你就會看到規整的代碼生成了： ``` import numpy as np

def create_temperatures(n): temperatures = np.random.uniform(low=14.0, high=20.0, size=n) return temperatures ``` 如果想開發更多，我建議你在 Playground 中測試 Codex（這裏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並提供文本指令。

以下是我的測試指令（我們在指令中提供的細節越多，我們就越有可能獲得我們想要的結果）。

一隻毛茸茸的藍眼睛白貓坐在花籃裏，可愛地抬頭看着鏡頭 ``` 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：

當然更有趣的是，還可以使用image edits and image variations endpoints編輯圖像並生成原圖像的調整。

好了，這篇文章就到這裏，希望能激發你的創造力，更多OpenAI API的使用請參考官方文檔。