Sdílet prostřednictvím

Použití Azure OpenAI v Prostředcích infrastruktury se sadou Python SDK a Synapse ML (Preview)

  • Článek

Důležité

Tato funkce je ve verzi Preview.

Tento článek ukazuje příklady použití Azure OpenAI v Prostředcích infrastruktury pomocí sady OpenAI Python SDK a synapseML.

Požadavky

Sada OpenAI Python SDK není nainstalovaná ve výchozím modulu runtime, musíte ji nejprve nainstalovat.

%pip install openai==0.28.1

Chat

ChatGPT a GPT-4 jsou jazykové modely optimalizované pro konverzační rozhraní. Zde uvedený příklad předvádí jednoduché operace dokončení chatu a není určen jako kurz.

import openai

response = openai.ChatCompletion.create(
    deployment_id='gpt-35-turbo-0125', # deployment_id could be one of {gpt-35-turbo-0125 or gpt-4-32k}
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Knock knock."},
        {"role": "assistant", "content": "Who's there?"},
        {"role": "user", "content": "Orange."},
    ],
    temperature=0,
)

print(f"{response.choices[0].message.role}: {response.choices[0].message.content}")

Výstup

    assistant: Orange who?

Odpověď můžeme také streamovat.

response = openai.ChatCompletion.create(
    deployment_id='gpt-35-turbo-0125', # deployment_id could be one of {gpt-35-turbo-0125 or gpt-4-32k}
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Knock knock."},
        {"role": "assistant", "content": "Who's there?"},
        {"role": "user", "content": "Orange."},
    ],
    temperature=0,
    stream=True
)

for chunk in response:
    delta = chunk.choices[0].delta

    if "role" in delta.keys():
        print(delta.role + ": ", end="", flush=True)
    if "content" in delta.keys():
        print(delta.content, end="", flush=True)

Výstup

    assistant: Orange who?

Vkládání

Vkládání je speciální formát reprezentace dat, který můžou snadno využívat modely a algoritmy strojového učení. Obsahuje sémantický význam textu s bohatými informacemi, reprezentovaný vektorem čísel s plovoucí desetinou čárkou. Vzdálenost mezi dvěma vkládáními ve vektorovém prostoru souvisí s sémantickou podobností mezi dvěma původními vstupy. Pokud jsou například dva texty podobné, měly by být jejich vektorové reprezentace podobné.

Tento příklad ukazuje, jak získat vkládání a není zamýšlený jako kurz.

deployment_id = "text-embedding-ada-002" # set deployment_name as text-embedding-ada-002
embeddings = openai.Embedding.create(deployment_id=deployment_id,
                                     input="The food was delicious and the waiter...")
                                
print(embeddings)

Výstup

    {
      "object": "list",
      "data": [
        {
          "object": "embedding",
          "index": 0,
          "embedding": [
            0.002306425478309393,
            -0.009327292442321777,
            0.015797346830368042,
            ...
            0.014552861452102661,
            0.010463837534189224,
            -0.015327490866184235,
            -0.01937841810286045,
            -0.0028842221945524216
          ]
        }
      ],
      "model": "ada",
      "usage": {
        "prompt_tokens": 8,
        "total_tokens": 8
      }
    }

Související obsah