第8章：生成式AI

import openai

# 设置API密钥
openai.api_key = "your-api-key"

# 调用GPT-4进行对话
response = openai.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一位专业的技术写作助手。"},
        {"role": "user", "content": "请帮我写一篇关于人工智能发展历程的短文，约500字。"}
    ],
    temperature=0.7,  # 创造性程度：0-2，越高越随机
    max_tokens=1000,  # 最大输出token数
    top_p=0.9        # 核采样参数
)

print(response.choices[0].message.content)

import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

message = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1000,
    temperature=0.7,
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "请分析这段代码的潜在问题：\n\ndef divide(a, b):\n    return a / b"
                }
            ]
        }
    ]
)

print(message.content[0].text)

import dashscope

# 设置API密钥
dashscope.api_key = "your-api-key"

# 调用通义千问
response = dashscope.Generation.call(
    model="qwen-max",
    messages=[
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "请用一句话解释什么是机器学习。"}
    ],
    result_format='message'
)

print(response.output.choices[0].message.content)

import openai

client = openai.OpenAI(api_key="your-api-key")

response = client.images.generate(
    model="dall-e-3",
    prompt="一只穿着宇航服的橘猫在月球表面行走，背景是蓝色的地球，
            科幻风格，高清细节，电影级光影",
    size="1024x1024",
    quality="hd",        # 标准或高清
    n=1,                 # 生成数量
    style="vivid"        # vivid(生动)或natural(自然)
)

# 获取生成的图片URL
image_url = response.data[0].url
print(f"图片链接: {image_url}")
print(f"修正后的提示词: {response.data[0].revised_prompt}")

from diffusers import StableDiffusionPipeline
import torch

# 加载模型
model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(
    model_id,
    torch_dtype=torch.float16
)
pipe = pipe.to("cuda")  # 使用GPU

# 生成图像
prompt = "a beautiful landscape with mountains and lake, sunset, 
          digital art, highly detailed"
image = pipe(
    prompt,
    num_inference_steps=50,  # 推理步数
    guidance_scale=7.5       # 提示词遵循程度
).images[0]

# 保存图像
image.save("generated_image.png")

【简单提示词】
a cat

【优化后的提示词】
一只毛茸茸的英国短毛猫（主体），
坐在窗台上（场景），
午后阳光透过窗户洒进来（光照），
温暖的日系摄影风格（风格），
8k超高清，柔和虚化背景（画质），
--ar 16:9（宽高比，Midjourney专用）

import openai
import base64

# 将图片转为base64编码
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode('utf-8')

base64_image = encode_image("chart.png")

client = openai.OpenAI(api_key="your-api-key")

response = client.chat.completions.create(
    model="gpt-4-vision-preview",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "请分析这张图表，告诉我：\n1. 图表展示什么数据\n2. 数据的主要趋势\n3. 有哪些关键数据点"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{base64_image}"
                    }
                }
            ]
        }
    ],
    max_tokens=500
)

print(response.choices[0].message.content)

import openai

client = openai.OpenAI(api_key="your-api-key")

def generate_code(prompt, language="python"):
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {
                "role": "system",
                "content": f"你是一个专业的{language}程序员。请生成高质量、
                            带注释的代码，并解释关键逻辑。"
            },
            {"role": "user", "content": prompt}
        ],
        temperature=0.2  # 代码生成使用较低temperature
    )
    return response.choices[0].message.content

# 示例：生成代码
prompt = """请用Python编写一个函数，实现以下功能：
- 输入：一个包含嵌套字典和列表的复杂数据结构
- 输出：展平后的字典，键使用点号表示路径
- 要求：处理循环引用，添加类型注解"""

code = generate_code(prompt)
print(code)

from transformers import AutoTokenizer, AutoModelForCausalLM

# 加载CodeLlama模型
model_name = "codellama/CodeLlama-7b-hf"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备提示词
prompt = '''# 创建一个Python类来实现简单的缓存系统
# 要求：支持设置过期时间，线程安全
class Cache:'''

# 生成代码
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=200,
    temperature=0.2,
    do_sample=True
)

generated_code = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(generated_code)