Python SDK ve Synapse ML ile Dokuda Azure OpenAI kullanma (önizleme)
Önemli
Bu özellik önizleme aşamasındadır.
Bu makalede, OpenAI Python SDK'sını ve SynapseML'yi kullanarak Dokuda Azure OpenAI'yi kullanma örnekleri gösterilmektedir.
Önkoşullar
OpenAI Python SDK'sı varsayılan çalışma zamanında yüklü değildir, önce yüklemeniz gerekir.
%pip install openai==0.28.1
Sohbet
ChatGPT ve GPT-4, konuşma arabirimleri için iyileştirilmiş dil modelleridir. Burada sunulan örnek, basit sohbet tamamlama işlemlerini gösterir ve öğretici olarak hizmet vermek üzere tasarlanmamıştır.
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}")
Çıktı
assistant: Orange who?
Ayrıca yanıtın akışını da sağlayabiliriz
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)
Çıktı
assistant: Orange who?
Eklemeler
Ekleme, makine öğrenmesi modellerinin ve algoritmalarının kolayca kullanabileceği özel bir veri gösterimi biçimidir. Kayan nokta sayılarından oluşan bir vektörle temsil edilen metnin zengin bilgi anlamsal anlamını içerir. Vektör uzayına iki ekleme arasındaki uzaklık, iki özgün giriş arasındaki anlamsal benzerlikle ilgilidir. Örneğin, iki metin benzerse, vektör gösterimleri de benzer olmalıdır.
Burada gösterilen örnek, eklemelerin nasıl alınıp alınduğunu gösterir ve öğretici olarak tasarlanmamıştır.
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)
Çıktı
{
"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
}
}
İlgili içerik
- REST API ile Dokuda önceden oluşturulmuş Metin Analizi kullanma
- SynapseML ile Dokuda önceden oluşturulmuş Metin Analizi kullanma
- REST API ile Dokuda önceden oluşturulmuş Azure AI Translator kullanma
- SynapseML ile Dokuda önceden oluşturulmuş Azure AI Translator kullanma
- REST API ile dokuda önceden oluşturulmuş Azure OpenAI kullanma
- SynapseML ve Python SDK ile önceden oluşturulmuş Azure OpenAI in Fabric kullanma
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin