大家好，我是靜幽水，目前是一名大廠全棧工程師，練習(xí)時(shí)長兩年，擅長Java后端，Vue前端，小程序編程，Python編程，ChatGPT 提示詞等技術(shù)。現(xiàn)在正在系統(tǒng)地進(jìn)行學(xué)習(xí)，擴(kuò)展自己技術(shù)的廣度和深度，我會(huì)分享一些相關(guān)的知識(shí)干貨，感興趣的話就關(guān)注我吧，希望對(duì)你有所幫助。
一、前言
現(xiàn)在非?；鸬腃hatGPT，就是OpenAI公司提供的智能聊天機(jī)器人，但是如果你只會(huì)用它來聊天，那么你就OUT了，其實(shí)OpenAI為開發(fā)者提供了很多接口，這些接口可以實(shí)現(xiàn)非常強(qiáng)大的功能。
主要有Chat:用于聊天對(duì)話,Completions：用于內(nèi)容補(bǔ)全，Image：根據(jù)用戶提供的圖片，生成一個(gè)新的圖片，Embedding：獲取輸入文本的潛入向量，Audio：將音頻輸入轉(zhuǎn)為文字，Moderations：用于內(nèi)容審核。
本次主要通過情感分析，來介紹一下Embedding和Completions的功能以及使用方式。我將會(huì)使用Python腳本，直接在服務(wù)器上執(zhí)行，更加直觀地看到執(zhí)行結(jié)果
二、環(huán)境搭建
由于訪問OpenAI對(duì)于網(wǎng)絡(luò)環(huán)境有著特殊要求，所以我會(huì)直接在服務(wù)器上編寫并運(yùn)行代碼
1.安裝Anaconda，Anaconda是一個(gè)用于科學(xué)計(jì)算和數(shù)據(jù)分析的Python環(huán)境，它的主要優(yōu)勢(shì)在于它解決了Python環(huán)境和依賴管理的痛點(diǎn)，使得開發(fā)者能夠更加輕松地搭建和管理復(fù)雜的Python環(huán)境。
wget https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh
chmod x Anaconda3-5.3.0-Linux-x86_64.sh
./Anaconda3-5.3.0-Linux-x86_64.sh然后一路回車輸入yes即可。
2.添加環(huán)境變量，編輯.bashrc文件，添加下面這行代碼,目錄根據(jù)你的實(shí)際情況進(jìn)行修改
export PATH=/home/ubuntu/anaconda3/bin:$PATH保存后執(zhí)行
source ~/.bashr
3.創(chuàng)建虛擬環(huán)境，指定python版本，ChatGPT為環(huán)境命名，可以隨意更換，創(chuàng)建完成之后，激活該環(huán)境，然后進(jìn)入python控制臺(tái)。
conda create -n ChatGPT python==3.10conda activate ChatGPT
當(dāng)我執(zhí)行import openai時(shí)報(bào)錯(cuò)，因?yàn)槲覀冞€沒有安裝該模塊，執(zhí)行下面語句進(jìn)行安裝，必須指定源，否者安裝不成功。
pip install openai -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com三、編寫代碼
上面我們已經(jīng)安裝好了Python環(huán)境，并且安裝了openai依賴，接下來，我們就可以在控制臺(tái)寫代碼了，當(dāng)然，你也可以在本地寫好上傳到服務(wù)器執(zhí)行。
首先，我們需要導(dǎo)入openai，然后設(shè)置我們的api_key，這個(gè)需要我們?nèi)penAI官網(wǎng)查看，然后定義一個(gè)model,這里我使用的是用于補(bǔ)充對(duì)話的text-davinci-003模型，然后定義一個(gè)提示詞prompt，這里就是一個(gè)簡(jiǎn)單的測(cè)試。定義一個(gè)函數(shù)，用來創(chuàng)建Completion，并調(diào)用OpenAI，返回響應(yīng)結(jié)果，返回結(jié)果如上圖所示。
import openaiimport osopenai.api_key = 'sk-XXX'model = 'text-davinci-003'prompt='你是誰'def get_response(prompt):completions = openai.Completion.create(engine = model,prompt = prompt,max_tokens = 1024,n = 1,stop = None,temperature = 0.0,)result = completions.choices[0].textreturn resultprint(get_response(prompt))
上面代碼中，創(chuàng)建Completion需要一些參數(shù)，這里簡(jiǎn)單介紹一些，首先是engine，指的是你使用的模型ID，可以通過https://api.openai.com/v1/models查看所有模型及描述信息。
prompt為提示詞，主要是你對(duì)ChatGPT的提問和要求。
max_tokens為調(diào)用生成內(nèi)容允許的最大token數(shù)量，通常75個(gè)單詞就需要1000個(gè)token，這里的值會(huì)包含用戶輸入的和AI產(chǎn)生返回的，text-davinci-003模型最大支持4096個(gè)token，如果你的輸入有1000個(gè)token，而你要求AI返回的最大token就不能超過3096，否則就會(huì)報(bào)錯(cuò)。
n指的是你希望chatGPT生成幾條內(nèi)容，通常為1。
stop指的是當(dāng)遇到什么字符時(shí)，chatGPT就停止輸出，比如換行符\n或者句號(hào)。
temperature指的是輸出的內(nèi)容的隨機(jī)性，0-2之間，值越高，生成的內(nèi)容越隨機(jī)多樣。
通過上面的例子，我們已經(jīng)調(diào)試通了，接下來就是如何用它來做情感分析了，我們的測(cè)試目標(biāo)是使用它來為電影《八角籠中》的評(píng)論，判斷是好評(píng)還是壞評(píng)。
我們?cè)赑rompt中，對(duì)它提出這樣的要求，“判斷下面的句子是好評(píng)還是壞評(píng)，并以json的格式輸出”，同時(shí)我們提供給它一些文本，格式為：Q是問題，A是回答，并且我們?cè)O(shè)置好回答，讓它進(jìn)行仿造。
import openaiimport os
openai.api_key = 'sk-XXX'model = 'text-davinci-003'
prompt='''請(qǐng)判斷下面句子哪些是好評(píng)哪些是壞評(píng)，并通過JSON的格式輸出Q:心里堵了好久……沒有華麗的詞句，沒有專業(yè)的影評(píng)基礎(chǔ)，只知道作為普通人的一員，自己內(nèi)心發(fā)出了強(qiáng)烈的共鳴。A:好評(píng)
Q:那個(gè)吃飯散伙的戲略生硬，為了散伙而散伙 發(fā)現(xiàn)一個(gè)小套路:這類商業(yè)片男主設(shè)定都是一堆小毛病，但心理必須根紅苗正A:
Q:感觸不深，是那種看開頭就能知道結(jié)局的電影。就一般普遍理性而言，精彩的應(yīng)該在過程。A:
Q:上映半月了終于有時(shí)間來看寶強(qiáng)的新片了，八角籠中著很勵(lì)志，被涼山的格斗少年打動(dòng)，本人淚點(diǎn)低，中途偷偷摸了幾次淚水A:
'''
def get_response(prompt): completions = openai.Completion.create( engine = model, prompt = prompt, max_tokens = 1024, n = 1, stop = None, temperature = 0.0, ) result = completions.choices[0].text return result print(get_response(prompt))最后，它會(huì)返回下面這種格式，以json格式返回，并且結(jié)果是有范圍的，要么是好評(píng)要么是壞評(píng)，這樣的話我們就可以針對(duì)這個(gè)結(jié)果進(jìn)行二次處理，可以用于生成統(tǒng)計(jì)圖像等。
{'Q1': '好評(píng)', 'Q2': '壞評(píng)', 'Q3': '壞評(píng)', 'Q4': '好評(píng)'}我們細(xì)心觀察可以發(fā)現(xiàn)，針對(duì)上面的四條評(píng)論，它返回的結(jié)果是完全正確的。
我們換一種實(shí)現(xiàn)方式，通過獲取評(píng)論的嵌入向量，通過計(jì)算給定評(píng)論的文本向量與好評(píng)和差評(píng)的文本向量之間的余弦相似度差值來計(jì)算相似度，然后拿評(píng)論與“好評(píng)”Embedding之間的相似度，減去與“差評(píng)”之間的相似度，當(dāng)結(jié)果大于0時(shí)，說明更加接近好評(píng)，否則更加接近差評(píng)。
代碼如下：
import openaiimport osfrom openai.embeddings_utils import cosine_similarity, get_embedding
openai.api_key = 'sk-XXX'model = 'text-embedding-ada-002'
positive_review = get_embedding('好評(píng)')negative_review = get_embedding('差評(píng)')
text1 = get_embedding('電影整體敘事過于平淡，就像是紀(jì)錄片刪去煽情片段。其次演員演技在線，值得大人觀看，不適合小孩看，不是因?yàn)檠榷沁@部戲本身就是拍給成年人看的。')text2 = get_embedding('要為那些默默付出，為了改變他人命運(yùn)而不懈努力的人鼓掌，那是真正勇敢的人。沒有多少人理解，沒有幾個(gè)人幫助，道阻且長，前路漫漫，目標(biāo)遠(yuǎn)在遙遠(yuǎn)的遠(yuǎn)方，有且只有自己負(fù)重前行。')
def get_score(text): return cosine_similarity(text, positive_review) - cosine_similarity(text, negative_review)
text1_score = get_score(text1)text2_score = get_score(text2)
print('text1 score: %f' % (text1_score))print('text2 score: %f' % (text2_score))
get_embedding是一個(gè)函數(shù)，它用于獲取文本的嵌入向量（embedding）。嵌入向量是將文本表示為數(shù)值化的向量形式，具有一定的語義信息和表征能力。
在這段代碼中，get_embedding被用來獲取給定文本的嵌入向量。通過將文本輸入到模型中，它會(huì)返回一個(gè)表示該文本的向量。這個(gè)嵌入向量可以被用作后續(xù)的文本分析、相似度比較或其他自然語言處理任務(wù)中。
在本例中，通過使用get_embedding函數(shù)，獲取了'好評(píng)'、'差評(píng)'以及兩段待評(píng)分文本的嵌入向量。這些嵌入向量將被用于計(jì)算文本之間的相似度，從而得出評(píng)分。
cosine_similarity是一種用來計(jì)算兩個(gè)向量之間的余弦相似度的函數(shù)。余弦相似度是衡量?jī)蓚€(gè)向量之間的相似性的一種常用指標(biāo)。它通過計(jì)算兩個(gè)向量的夾角的余弦值來衡量它們之間的相似程度。
在這段代碼中，cosine_similarity被用來計(jì)算待評(píng)論文本向量與好評(píng)和差評(píng)文本向量之間的相似度差值。通過比較待評(píng)論文本與好評(píng)文本和差評(píng)文本的相似度差異，可以獲得一個(gè)評(píng)分，用于表示待評(píng)論文本的積極或消極程度。
四、總結(jié)
本文通過一個(gè)簡(jiǎn)單的例子，分別使用embeddings接口和completions接口，來實(shí)現(xiàn)了對(duì)電影《八角籠中》評(píng)論的分類。后續(xù)我們可以使用python爬蟲，爬取到大量的評(píng)論，然后再通過調(diào)用OpenAI的接口，獲取到每一條評(píng)論是好評(píng)還是差評(píng)，或者是每一條評(píng)論的得分，以JSON格式輸出，我們?cè)賹?duì)這些數(shù)據(jù)進(jìn)行進(jìn)一步處理。
程序員修煉
后端 | 前端 | 面試 | ChatGPT
聯(lián)系客服
