首页 > Python资料 博客日记

Py之OpenAI Python API：openai-python的简介、安装、使用方法之详细攻略

2024-07-01 07:00:03Python资料围观330次

文章Py之OpenAI Python API：openai-python的简介、安装、使用方法之详细攻略分享给大家，欢迎收藏Python资料网，专注分享技术知识

Py之OpenAI Python API：openai-python的简介、安装、使用方法之详细攻略

目录

openai-python的简介

openai-python的安装

1、安装

2、用法

(1)、基础用法

(2)、异步用法

(3)、流式响应

(4)、异步客户端使用完全相同的接口

(5)、模块级客户端

3、使用类型

4、分页

(1)、使用异步

(2)、更细粒度的控制处理页面

(3)、或者直接使用返回的数据

5、嵌套参数

6、文件上传

7、处理错误

(1)、错误代码如下

(2)、重试

(3)、超时

8、高级

(1)、日志记录

(2)、如何区分None表示null还是缺失

(3)、访问原始响应数据（例如，标头）

9、配置HTTP客户端

(1)、可以直接覆盖httpx客户端

(2)、管理HTTP资源

10、Microsoft Azure OpenAI

openai-python的使用方法

1、基础用法

NLP之ChatGPT：基于openai框架通过调用接口(云服务的API)实现GPT-3功能—四大模型(ada→babbage→curie→davinci)简介、使用方法及其代码实现之详细攻略

NLP之Chatgpt：基于openai框架通过调用API接口实现Chatgpt的吊炸天功能的图文教程(基于python代码实现)、案例应用之详细攻略

NLP之ChatGPT：基于openai框架通过调用接口(云服务的API)实现GPT-3功能—四大模型(ada→babbage→curie→davinci)简介、使用方法及其代码实现之详细攻略

NLP之GPT-3：基于openai框架通过调用接口(云服务的API)基于自定义数据集利用GPT-3算法实现模型预训练和微调的应用案例实现代码

2、进阶用法

LLMs之Chinese-LLaMA-Alpaca：源码解读crawl_prompt.py文件利用OpenAI的API(如ChatGPT)结合prompt技术(80多个主题【科技+娱乐+体育+金融+时政+教育+医疗等】+14个任务【开放式生成+分类+问答+摘要+翻译+代码等】)设计不同话题下的指令数据(Json数据格式)进行生成并写到txt文件中

openai-python的简介

OpenAI Python库提供了从任何Python 3.7+应用程序方便访问OpenAI REST API的途径。该库包含了所有请求参数和响应字段的类型定义，并提供了由httpx提供支持的同步和异步客户端。该库是通过Stainless从我们的OpenAPI规范生成的。

GitHub地址：https://github.com/openai/openai-python

API文档：https://platform.openai.com/docs

openai-python的安装

要求，Python 3.7或更高版本。

1、安装

注意：SDK在v1中进行了重写，该版本于2023年11月6日发布。请查看v1迁移指南，其中包含自动更新代码的脚本。

pip install openai

2、用法

(1)、基础用法

此库的完整API可以在api.md中找到，尽管可以提供api_key关键字参数，但我们建议使用python-dotenv将OPENAI_API_KEY="My API Key"添加到您的.env文件中，以便不将API密钥存储在源代码控制中。


from openai import OpenAI

client = OpenAI(
    # 默认为os.environ.get("OPENAI_API_KEY")
    api_key="My API Key",
)

chat_completion = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "Say this is a test",
        }
    ],
    model="gpt-3.5-turbo",
)

(2)、异步用法

只需导入AsyncOpenAI而不是OpenAI，并在每个API调用前使用await：

同步和异步客户端之间的功能是相同的。

import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI(
    # 默认为os.environ.get("OPENAI_API_KEY")
    api_key="My API Key",
)

async def main() -> None:
    chat_completion = await client.chat.completions.create(
        messages=[
            {
                "role": "user",
                "content": "Say this is a test",
            }
        ],
        model="gpt-3.5-turbo",
    )

asyncio.run(main())

(3)、流式响应

我们支持使用Server Side Events（SSE）进行流式响应。

from openai import OpenAI
client = OpenAI()
stream = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Say this is a test"}],
    stream=True,
)
for part in stream:
print(part.choices[0].delta.content or "")

(4)、异步客户端使用完全相同的接口

from openai import AsyncOpenAI
client = AsyncOpenAI()
stream = await client.chat.completions.create(
    prompt="Say this is a test",
    messages=[{"role": "user", "content": "Say this is a test"}],
    stream=True,
)
async for part in stream:
    print(part.choices[0].delta.content or "")

(5)、模块级客户端

注意，我们强烈建议实例化客户端实例，而不是依赖于全局客户端。我们还公开了一个全局客户端实例，可以以类似于v1之前版本的方式访问。


import openai
# 可选; 默认为`os.environ['OPENAI_API_KEY']`
openai.api_key = '...'

# 所有客户端选项都可以像“OpenAI”实例化对应的方式进行配置
openai.base_url = "https://..."
openai.default_headers = {"x-foo": "true"}

completion = openai.chat.completions.create(
    model="gpt-4",
    messages=[
        {
            "role": "user",
            "content": "How do I output all files in a directory using Python?",
        },
    ],
)
print(completion.choices[0].message.content)

API与标准客户端实例化API完全相同。这旨在用于REPL或笔记本，以进行更快的迭代，而不是在应用代码中使用。

我们建议在应用代码中始终实例化客户端（例如，使用client = OpenAI()）：
>> 可能难以理解客户端选项的配置位置；
>> 某些客户端选项可能无法在不潜在地引起竞争条件的情况下更改；
>> 更难以为测试目的进行模拟；
>> 不可能控制网络连接的清理；

3、使用类型

嵌套请求参数是TypedDicts。响应是Pydantic模型，提供了诸如序列化回JSON（v1，v2）等帮助方法。要获得字典，请调用model.model_dump()。

Typed请求和响应在编辑器中提供自动完成和文档。如果您想在VS Code中看到类型错误以帮助更早地捕获错误，请将python.analysis.typeCheckingMode设置为basic。

4、分页

OpenAI API中的列表方法是分页的。该库提供了使用每个列表响应的自动分页迭代器，因此您无需手动请求连续的页面：


import openai
client = OpenAI()
all_jobs = []
# 根据需要自动获取更多页面。
for job in client.fine_tuning.jobs.list(
    limit=20,
):
    # 在此处对作业执行某些操作
    all_jobs.append(job)
print(all_jobs)

(1)、使用异步

或者，使用异步：

import asyncio
import openai
client = AsyncOpenAI()
async def main() -> None:
    all_jobs = []
    # 遍历所有页面上的项目，根据需要发出请求。
    async for job in client.fine_tuning.jobs.list(
        limit=20,
    ):
        all_jobs.append(job)
    print(all_jobs)
asyncio.run(main())

(2)、更细粒度的控制处理页面

或者，您可以使用.has_next_page()、.next_page_info()或.get_next_page()方法以更细粒度的控制处理页面：


first_page = await client.fine_tuning.jobs.list(
    limit=20,
)
if first_page.has_next_page():
    print(f"will fetch next page using these details: {first_page.next_page_info()}")
    next_page = await first_page.get_next_page()
    print(f"number of items we just fetched: {len(next_page.data)}")
# 非异步使用时删除`await`。

(3)、或者直接使用返回的数据


first_page = await client.fine_tuning.jobs.list(
    limit=20,
)
print(f"next page cursor: {first_page.after}")  # => "next page cursor: ..."
for job in first_page.data:
    print(job.id)
# 非异步使用时删除`await`

5、嵌套参数

嵌套参数是用TypedDict类型的字典表示的，例如：


from openai import OpenAI
client = OpenAI()
completion = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "Can you generate an example json object describing a fruit?",
        }
    ],
    model="gpt-3.5-turbo",
    response_format={"type": "json_object"},
)

6、文件上传

与文件上传对应的请求参数可以作为字节、PathLike实例或(文件名、内容、媒体类型)的元组传递。


from pathlib import Path
from openai import OpenAI

client = OpenAI()

client.files.create(
    file=Path("input.jsonl"),
    purpose="fine-tune",
)

异步客户端使用完全相同的接口。如果传递PathLike实例，文件内容将自动异步读取。

7、处理错误

当库无法连接到API（例如，由于网络连接问题或超时）时，会引发openai.APIConnectionError的子类。当API返回非成功状态码时（即，4xx或5xx响应），会引发openai.APIStatusError的子类，其中包含status_code和response属性。所有错误都继承自openai.APIError。


import openai
from openai import OpenAI

client = OpenAI()

try:
    client.fine_tunes.create(
        training_file="file-XGinujblHPwGLSztz8cPS8XY",
    )
except openai.APIConnectionError as e:
    print("无法连接到服务器")
    print(e.__cause__)  # 一个底层异常，可能在httpx内部引发。
except openai.RateLimitError as e:
    print("收到了429状态码;我们应该稍微退后一点。")
except openai.APIStatusError as e:
    print("收到了另一个非200范围的状态码")
    print(e.status_code)
print(e.response)

(1)、错误代码如下

Status CodeError Type
400BadRequestError
401AuthenticationError
403PermissionDeniedError
404NotFoundError
422UnprocessableEntityError
429RateLimitError
>=500InternalServerError
N/AAPIConnectionError

(2)、重试

默认情况下，某些错误将自动重试2次，具有短暂的指数回退。默认情况下，将对连接错误（例如，由于网络连接问题）、408请求超时、409冲突、429速率限制和>=500内部错误进行重试。

您可以使用max_retries选项配置或禁用重试设置：


from openai import OpenAI
# 配置所有请求的默认值：
client = OpenAI(
    # 默认为2
    max_retries=0,
)

# 或者，按请求配置：
client.with_options(max_retries=5).chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "How can I get the name of the current day in Node.js?",
        }
    ],
    model="gpt-3.5-turbo",
)

(3)、超时

默认情况下，请求在10分钟后超时。您可以使用timeout选项进行配置，该选项接受float或httpx.Timeout对象：

在超时时，将抛出APITimeoutError。请注意，默认情况下，超时的请求将进行两次重试。


from openai import OpenAI
# 配置所有请求的默认值：
client = OpenAI(
    # 默认为60秒
    timeout=20.0,
)
# 更精细的控制：
client = OpenAI(
    timeout=httpx.Timeout(60.0, read=5.0, write=10.0, connect=2.0),
)
# 重写每个请求：
client.with_options(timeout=5 * 1000).chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "How can I list all files in a directory using Python?",
        }
    ],
    model="gpt-3.5-turbo",
)

8、高级

(1)、日志记录

我们使用标准库的日志模块。您可以通过将环境变量OPENAI_LOG设置为debug来启用日志记录。

$ export OPENAI_LOG=debug

(2)、如何区分None表示null还是缺失

在API响应中，字段可能明确为null，也可能完全缺失；在这两种情况下，其值在此库中均为None。您可以使用.model_fields_set来区分这两种情况：

if response.my_field is None:
  if 'my_field' not in response.model_fields_set:
    print('Got json like {}, without a "my_field" key present at all.')
  else:
print('Got json like {"my_field": null}.')

(3)、访问原始响应数据（例如，标头）

可以通过在任何HTTP方法调用前加上.with_raw_response。来访问“raw” Response对象。这些方法返回一个APIResponse对象。

from openai import OpenAI
client = OpenAI()
response = client.chat.completions.with_raw_response.create(
    messages=[{
        "role": "user",
        "content": "Say this is a test",
    }],
    model="gpt-3.5-turbo",
)
print(response.headers.get('X-My-Header'))

completion = response.parse()  # 获取`chat.completions.create()`将返回的对象
print(completion)

9、配置HTTP客户端

(1)、可以直接覆盖httpx客户端

以根据您的用例进行自定义，包括：
>> 对代理的支持
>> 自定义传输
>> 附加高级功能


import httpx
from openai import OpenAI

client = OpenAI(
    base_url="http://my.test.server.example.com:8083",
    http_client=httpx.Client(
        proxies="http://my.test.proxy.example.com",
        transport=httpx.HTTPTransport(local_address="0.0.0.0"),
    ),
)

(2)、管理HTTP资源

默认情况下，该库在客户端被垃圾回收时关闭底层的HTTP连接。如果需要，您可以使用.close()方法手动关闭客户端，或者使用在退出时关闭的上下文管理器。

10、Microsoft Azure OpenAI

要在Azure OpenAI中使用此库，请使用AzureOpenAI类，而不是OpenAI类。

注意，Azure API的形状与核心API的形状不同，这意味着响应/参数的静态类型不总是正确的。


from openai import AzureOpenAI
# 从环境变量AZURE_OPENAI_API_KEY获取API密钥
client = AzureOpenAI(
    # https://learn.microsoft.com/en-us/azure/ai-services/openai/reference#rest-api-versioning
    api_version="2023-07-01-preview"
    # https://learn.microsoft.com/en-us/azure/cognitive-services/openai/how-to/create-resource?pivots=web-portal#create-a-resource
    azure_endpoint="https://example-endpoint.openai.azure.com",
)
completion = client.chat.completions.create(
    model="deployment-name",  # 例如gpt-35-instant
    messages=[
        {
            "role": "user",
            "content": "How do I output all files in a directory using Python?",
        },
    ],
)
print(completion.model_dump_json(indent=2))

除了基本OpenAI客户端提供的选项之外，还提供了以下选项：
azure_endpoint
azure_deployment
api_version
azure_ad_token
azure_ad_token_provider

可以在这里找到使用Azure Active Directory与客户端的示例。

openai-python的使用方法

1、基础用法

NLP之ChatGPT：基于openai框架通过调用接口(云服务的API)实现GPT-3功能—四大模型(ada→babbage→curie→davinci)简介、使用方法及其代码实现之详细攻略

https://yunyaniu.blog.csdn.net/article/details/128960658

NLP之Chatgpt：基于openai框架通过调用API接口实现Chatgpt的吊炸天功能的图文教程(基于python代码实现)、案例应用之详细攻略

NLP之Chatgpt：基于openai框架通过调用API接口实现Chatgpt的吊炸天功能的图文教程(基于python代码实现)、案例应用之详细攻略-CSDN博客

NLP之ChatGPT：基于openai框架通过调用接口(云服务的API)实现GPT-3功能—四大模型(ada→babbage→curie→davinci)简介、使用方法及其代码实现之详细攻略

https://yunyaniu.blog.csdn.net/article/details/128960658

NLP之GPT-3：基于openai框架通过调用接口(云服务的API)基于自定义数据集利用GPT-3算法实现模型预训练和微调的应用案例实现代码

https://yunyaniu.blog.csdn.net/article/details/129771540

2、进阶用法

LLMs之Chinese-LLaMA-Alpaca：源码解读crawl_prompt.py文件利用OpenAI的API(如ChatGPT)结合prompt技术(80多个主题【科技+娱乐+体育+金融+时政+教育+医疗等】+14个任务【开放式生成+分类+问答+摘要+翻译+代码等】)设计不同话题下的指令数据(Json数据格式)进行生成并写到txt文件中

https://yunyaniu.blog.csdn.net/article/details/131137578


版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！

标签：

上一篇：【Python数分实战】预测肥胖风险数据
下一篇：【毕业设计选题】基于深度学习的学生课堂行为检测算法系统 YOLO python 卷积神经网络 人工智能

相关文章

最新发布

点击排行

本站推荐

标签云