全网最详细中英文ChatGPT-GPT-4示例文档-从0到1快速入门python代码解释应用——官网推荐的48种最佳应用场景（附python/node.js/curl命令源代码，小白也能学）

目录

• Introduce 简介
• setting 设置
• Prompt 提示
• Sample response 回复样本
• API request 接口请求
  • python接口请求示例
  • node.js接口请求示例
  • curl命令示例
  • json格式示例
• 其它资料下载

ChatGPT是目前最先进的AI聊天机器人，它能够理解图片和文字，生成流畅和有趣的回答。如果你想跟上AI时代的潮流，你一定要学会使用ChatGPT。如果你想了解OpenAI最新发布的GPT-4模型，以及它如何为ChatGPT聊天机器人带来更强大的功能，那么你一定不要错过OpenAI官网推荐的48种最佳应用场景，不管你是资深开发者、初学者，你都能够从0到1快速入门，并掌握他们。

在这个AI大时代，如果不想被人颠覆，就要先颠覆别人。如果你颠覆不了别人，那你就努力运用ChatGPT提高你的技术水平和创造力。

ChatGPT可以对python代码进行解释，这意味着ChatGPT可以根据python代码的语法和语义，为每一行或每一段代码添加相应的自然语言解释，帮助用户理解和学习python代码。这样，ChatGPT可以提高用户的python编程能力和兴趣，以及用户的编程思维和逻辑。

Introduce 简介

Python to natural language

Python到自然语言

Explain a piece of Python code in human understandable language.

用人类可以理解的语言解释一段Python代码。

setting 设置

Engine：code-davinci-002

Max tokens：64

Temperature：0

Top p：1.0

Frequency penalty：0.0

Presence penalty：0.0

Stop sequence：#

说明：

0、Engine 设置定义了你要使用的模型，例如 text-davinci-003 是一个文本生成模型。这种模型可以根据输入的文本，生成新的、相关的文本。code-davinci-002是一个代码生成模型，特别擅长将自然语言翻译成代码,除了完成代码生成外，还支持在代码中进行代码补全。

1、Max tokens是指在请求中最多允许返回的 token 数目，比如你可以指定 chatGPT 返回最多 64个 token。这可以帮助你控制输出的内容大小，以便更好地控制响应速度和结果。一般1个token约4个字符或者0.75个单词

2、Temperature 是一个参数，用于控制 chatGPT 的输出。它决定了 chatGPT 在生成文本时会多么“随意”。值越高，chatGPT 生成的文本就越不可预测；值越低，chatGPT 生成的文本就越可预测。它在0.0到2.0之间，Temperature设置为0意味着ChatGPT将会生成更加保守的回复，即更少的随机性和更多的准确性，这可以帮助你在聊天中更好地控制语义，并且可以防止ChatGPT产生不相关的内容。通常建议更改此值或 Top P，但不要同时更改这两个值。

3、Top p 是随温度采样的替代方案，称为核采样，其中模型考虑具有top_p概率质量的标记的结果。因此0.1意味着仅考虑包括前10%概率质量的记号。通常建议更改此值或 temperature，但不要同时更改这两个值。

4、Frequency penalty 是指在训练时，模型会根据词频来调整每个单词的重要性。它可以帮助模型更好地理解文本，并减少过拟合。介于-2.0和2.0之间的数字。正值会根据新标记在文本中的现有频率惩罚新标记，从而降低模型逐字重复同一行的可能性。Frequency penalty设置为0意味着模型不会对重复的词进行惩罚。它可以帮助模型生成更多的新词，而不是重复使用已有的词。

5、Presence penalty 是指在ChatGPT中，一些预先定义的条件或者状态可能会影响机器人回答的质量，介于-2.0和2.0之间的数字。正值会根据新标记到目前为止是否出现在文本中来惩罚它们，从而增加模型谈论新主题的可能性。如果将 Presence penalty 设置为 0，则表示不会有任何惩罚。

6、Stop sequence 是一种设置，通过它可以确定你的聊天会话的结束标志。当你在 ChatGPT中设置 Stop sequence为 \n 时，表示你的聊天会话结束标志是换行符（\n）。当你在 ChatGPT中设置 Stop sequence为 # 时，表示你的聊天会话结束标志是（#）。

Prompt 提示

# Python 3

def remove_common_prefix(x, prefix, ws_prefix):

x["completion"] = x["completion"].str[len(prefix) :]

if ws_prefix:

    # keep the single whitespace as prefix
    x["completion"] = " " + x["completion"]

return x

# Explanation of what the code does

#

Sample response 回复样本

The code above is a function that takes a dataframe and a prefix as input and returns a dataframe with the prefix removed from the completion column.

上面的代码是一个函数，它接受一个数据帧和一个前缀作为输入，并返回一个从完成列中删除了前缀的数据帧。

API request 接口请求

python接口请求示例

import os
import openai

openai.api_key = os.getenv("OPENAI_API_KEY")

response = openai.Completion.create(
  model="code-davinci-002",
  prompt="# Python 3 \ndef remove_common_prefix(x, prefix, ws_prefix): \n    x[\"completion\"] = x[\"completion\"].str[len(prefix) :] \n    if ws_prefix: \n        # keep the single whitespace as prefix \n        x[\"completion\"] = \" \" + x[\"completion\"] \nreturn x \n\n# Explanation of what the code does\n\n#",
  temperature=0,
  max_tokens=64,
  top_p=1.0,
  frequency_penalty=0.0,
  presence_penalty=0.0
)

node.js接口请求示例

const { Configuration, OpenAIApi } = require("openai");

const configuration = new Configuration({
  apiKey: process.env.OPENAI_API_KEY,
});
const openai = new OpenAIApi(configuration);

const response = await openai.createCompletion({
  model: "code-davinci-002",
  prompt: "# Python 3 \ndef remove_common_prefix(x, prefix, ws_prefix): \n    x[\"completion\"] = x[\"completion\"].str[len(prefix) :] \n    if ws_prefix: \n        # keep the single whitespace as prefix \n        x[\"completion\"] = \" \" + x[\"completion\"] \nreturn x \n\n# Explanation of what the code does\n\n#",
  temperature: 0,
  max_tokens: 64,
  top_p: 1.0,
  frequency_penalty: 0.0,
  presence_penalty: 0.0,
});

curl命令示例

curl https://api.openai.com/v1/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
  "model": "code-davinci-002",
  "prompt": "# Python 3 \ndef remove_common_prefix(x, prefix, ws_prefix): \n    x[\"completion\"] = x[\"completion\"].str[len(prefix) :] \n    if ws_prefix: \n        # keep the single whitespace as prefix \n        x[\"completion\"] = \" \" + x[\"completion\"] \nreturn x \n\n# Explanation of what the code does\n\n#",
  "temperature": 0,
  "max_tokens": 64,
  "top_p": 1.0,
  "frequency_penalty": 0.0,
  "presence_penalty": 0.0
}'

json格式示例

{
  "model": "code-davinci-002",
  "prompt": "# Python 3 \ndef remove_common_prefix(x, prefix, ws_prefix): \n    x[\"completion\"] = x[\"completion\"].str[len(prefix) :] \n    if ws_prefix: \n        # keep the single whitespace as prefix \n        x[\"completion\"] = \" \" + x[\"completion\"] \nreturn x \n\n# Explanation of what the code does\n\n#",
  "temperature": 0,
  "max_tokens": 64,
  "top_p": 1.0,
  "frequency_penalty": 0.0,
  "presence_penalty": 0.0
}

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》

这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。