แชร์ผ่าน

ใช้ Azure OpenAI ใน Fabric กับ Python SDK และ Synapse ML (ตัวอย่าง)

  • บทความ

สำคัญ

คุณลักษณะนี้อยู่ในตัวอย่าง

บทความนี้แสดงตัวอย่างวิธีการใช้ Azure OpenAI ใน Fabric โดยใช้ OpenAI Python SDK และใช้ SynapseML

ข้อกำหนดเบื้องต้น

OpenAI Python SDK ไม่ได้ติดตั้งในรันไทม์เริ่มต้น คุณจําเป็นต้องติดตั้งก่อน

%pip install openai==0.28.1

แชท

ChatGPT และ GPT-4 เป็นแบบจําลองภาษาที่ปรับให้เหมาะสมสําหรับอินเทอร์เฟซการสนทนา ตัวอย่างที่แสดงที่นี่แสดงการดําเนินการแชทที่สมบูรณ์อย่างง่ายและไม่ได้ตั้งใจที่จะทําหน้าที่เป็นบทช่วยสอน

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}")

เอาท์พุท

    assistant: Orange who?

นอกจากนี้เรายังสามารถสตรีมการตอบสนอง

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)

เอาท์พุท

    assistant: Orange who?

Embeddings

การฝังเป็นรูปแบบการแสดงข้อมูลพิเศษที่แบบจําลองการเรียนรู้ของเครื่องและอัลกอริทึมสามารถใช้งานได้อย่างง่ายดาย ซึ่งประกอบด้วยความหมายเชิงความหมายที่สมบูรณ์ของข้อความ ซึ่งแสดงโดยเวกเตอร์ของตัวเลขจุดทศนิยมลอยตัว ระยะห่างระหว่างสองการฝังในพื้นที่เวกเตอร์นั้นเกี่ยวข้องกับความคล้ายคลึงกันเชิงความหมายระหว่างอินพุตเดิมสองตัว ตัวอย่างเช่น หากข้อความสองข้อความมีความคล้ายคลึงกัน ตัวแทนเวกเตอร์ของข้อความควรคล้ายกัน

ตัวอย่างที่แสดงที่นี่แสดงวิธีการขอรับการฝัง และไม่ได้ตั้งใจให้เป็นบทช่วยสอน

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)

เอาท์พุท

    {
      "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
      }
    }

เนื้อหาที่เกี่ยวข้อง