共用方式為

搭配使用 Fabric 中的 Azure OpenAI 與 Python SDK 和 Synapse ML (預覽版)

  • 發行項

重要

這項功能處於預覽狀態。

本文說明如何搭配使用 Fabric 中的 Azure OpenAI 與 OpenAI Python SDK 和 SynapseML 的的範例。

必要條件

OpenAI Python SDK 未安裝在預設執行階段中，您需要先加以安裝。

%pip install openai==0.28.1

聊天

ChatGPT 和 GPT-4 是針對交談介面最佳化的語言模型。 此處介紹的範例會展示簡單的聊天完成作業，並不適合做為教學課程。

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}")

輸出

    assistant: Orange who?

我們也可以串流回應

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)

輸出

    assistant: Orange who?

Embeddings

內嵌是一種特殊的資料表示格式，可供機器學習模型和演算法輕鬆使用。 它包含文字的資訊豐富語意意義，以浮點數向量表示。 向量空間中兩個內嵌之間的距離與兩個原始輸入之間的語意相似性有關。 舉例來說，兩段類似文字的向量表示法也應該會相似。

此處示範的範例示範如何取得內嵌，但並非作為教學課程。

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)

輸出

    {
      "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
      }
    }

相關內容