首先我们需要安装openai

　　安装好openai以及获得API key后，我们就可以调用接口了，首先我们来看下openai能够提供的模型有什么：

　　我们可以看出，目前提供的模型有如下：
官方最新版的wps的下载的地方在哪里
　　

　　接下来大概介绍一下我们应该怎样去调用接口，获取我们想要的结果。

　　prompt=‘a delicious dessert’, 其中返回url地址，我们将地址复制到浏览器中，打开看到如下图：

　　当prompt=‘母亲在厨房忙碌着’，OpenAI返回的效果图如下：

　　人物画像细节生成还不够逼真。来试一试中国的古诗词效果，

　　prompt=‘踏花归去马蹄香’

　　马蹄上应该画出一些蝴蝶🦋来表达马蹄的花香味啊，不太满意~😞

　　api接口调用代码如下所示：wps最新的中文的下载的网址哪里有

　　结果如下：

　　我们可以通过合理的写prompt，基于问答形式，让gpt-3.5做NLP任务。比如对中文纠错，我们可以这样写prompt，让chagpt能够做纠错NLP任务。如下所示：

　　结果如下：
最新的官方的wps的下载网站是多少
　　

　　对于不同的prompt，输出的结果差异也较大。所以对于具体的任务场景，我们需要尝试不同的prompt, 根据结果的反馈，不断的调整和优化prompt，从而得到更加准确的结果。

　　得到结果如下：

　　是一个1536维度的向量，我们可以基于文本的向量去做很多任务，比如计算两个向量的余弦值，计算相似性分值等官方最新版wps下载网站在哪里。

　　openAI提供了接口可以用我们自己的数据进行fine tune，得到适应我们自己业务场景的新模型。假如我们需要训练一个适应我们自己领域知识的聊天机器人，我们可以按照下面流程来做fine tune。

　　数据准备

　　我们可以先把数据转成csv格式，需提供prompt列和对应的completion列，其中prompt相当于问题，completion就是对应的答案，如下是我们要用来fine tune模型的result.csv训练样本内容显示：

　　然后我们可以用openAI提供的数据处理工无障碍的wps的下载网站哪里有具对数据转成json格式的文件

　　执行完后，我们会得到一个对应的json文件：result_prepared.jsonl

　　模型微调训练

　　接下来我们就可以用已有的模型 (ada, babbage, curie, davinci) 进行fine tune，官方给出的具体可以用来做微调的模型主要如下：

　　首先需要指定我们自己的API key：

　　然后开始训练：

　　在这里用我们自己的数据result_prepared.jsonl，基于base model： ada模型提交fine tune任务。提交后会返回给我们一个JOB ID，通过这个job id我们可以跟进模型在远程服务器训练情况：

　　我们可以看到结果如下：

　　可以看到我们的模型训练好了模型名称叫做：ada:ft-personal-2023-03-27-03-24-09，然后我们就可以试用我们训练好的模型看效果了，测试如下：

　　其中<YOUR_PROMPT>写入我们要测试的问题就好。
最新官方的wps的下载的入口是什么
　　现在我们可以去远程服务器上查看下我们fine tune好的模型是否已经有了：

　　发现有了刚刚fine tune的模型：

　　对于分类，实体识别等任务，OPNAI官网也提供了如何做处理数据，让模型做fine tune，详情可以参考官网https://platform.openai.com/docs/introduction/overview

　　prompt如何表达，对于chatgpt返回的答案会差异很大，通过prompt正确的表达问题，chatgpt才会返回更合适的结果。通过自己这些天的尝试以及官网给的提示，感受就是在写prompt时候，可以通过说明，例子，限制条件，修饰词等具体表达问题，这样chatgpt会给出更加精准的答案。接下来，我们对几种常见的任务，prompt应用如何写。

　　我们可以对prompt这么构造：

　　判断content属于A,B,C,D哪一种分类

　　content: detail

　　分类:

　　对应的查询结果如下：

　　提供了非常强大能力，能够基于学到的广泛知识，给出问题解决方案，合理的建议，实施步骤，商业计划，人物描写等等。所以我们可以合理写prompt，更有意思的答案。

　　 wps最新的中文的下载的入口在哪里

　　哈哈，看起来不够大胆，于是进一步发问：

　　给出的这些答案果然更加激动人心。

　　我们可以将一种语言翻译成我们大多数其他语言。对于翻译任务，我们只需要写prompt表达我们的意愿就是：

　　将下面内容翻译成英语，日语，德语

　　content

　　在调用API接口的时候，我们可以通过设置两个参数=='temperature’和’top_p’来控制生成文本的多样性和可控度==。当temperature较高时，生成的文本会更加随机和多样化，而当temperature较低时，生成的文本会更加保守和可控。top_p参数用于控制生成文本的可控度，它会限制模型生成文本时可以选择的token的数量。具体来说，当top_p越低时，模型只考虑概率分布中累计概率最高的一部分token，而忽略其他低概率的token。这样一来，生成的文本就更加可控，因为只有那些最可能的token才会被考虑。而当top_p越高的时候，生成的文本可能会更加灵活和多样，因为模型会考虑更多的低概率token。每次调用的时候，我们可以设置这两个参数：

　　大模型训练平台：https://github.com/hpcaitech/ColossalAI

　　相关资料：中文精选资源清单