前言
上篇文章我们体验了一下图像识别，今天我们继续带大家来进行练习和更加深入的了解。话不多说，让我们开始吧！
正文
Colaboratory
Colaboratory（通常简称Colab）是由Google开发和提供的免费的云端Jupyter笔记本环境。适用于Python编程、数据分析和机器学习，使用户能够无需担心本地计算资源的限制，轻松进行各种计算任务。在我们拥有一个Google账号之后，我们将使用Colab来进行我们的学习。
首先让我们进入官网：colab.research.google.com/ 。随后让我们找到文件–>然后新建笔记本（如下图）：
跳转到之后的界面我们就可以开始编写我们的代码了，点击左边的“播放按钮”可以运行当前框内的代码，当然运行完每次的代码后，通过点击“+代码”来进行新的代码编写（如下图）：
这样你就学会了基本的使用方法啦~
情感分析
不知道大家记不记得我们第一篇初体验OpenAI的文章，当时我们基于transformers — 也就是huggingface的核心库完成了一个情感分析的任务。今天，我们来试试升级版！
这次我们用OpenAI来完成这个任务：
python复制代码# openai 情感分类更厉害 Completions
!pip install openai==0.10.2 # 指定版本
老样子，先安装我们的OpenAI。
然后对OpenAI进行调试，输入api_key、封装功能、设置最大算力、回复数量等等等等：
python复制代码# 基于openai 的大模型来强化
import openai
# 常量 文本生成的模型
COMPLETION_MODEL = 'text-davinci-003'
# api_key
openai.api_key="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"
# 封装了openai回复的功能
def get_response(prompt, temperature=1.0):
# Completion模块
# 生成内容 同步的
# 调用openai库的Comletion模块，创建一个新的
# 字典 {key:value}
completions = openai.Completion.create(
engine = COMPLETION_MODEL,
prompt = prompt,
max_tokens = 1024,
n = 1,
# None是关键字Null True
stop = None,
temperature=temperature
)
print(completions)
message = completions.choices[0].text
return message
运行好之后，接下来要做的就是对OpenAI进行“训练”，进行举例、给它数据进行分析：
python复制代码# openai 开发范式
# NLP任务从transformers coding升级为openai prompt engineer
# prompt 设计：精细化的需要（告诉它我们的需求是什么） 进行举例 给出数据
prompts = """判断一下用户的评论情感上是正面的还是负面的
评论：买的银色版真的很好看，一天就到了，晚上就开始拿起来完系统很丝滑流畅，做工扎实，手感细腻，很精致哦华为一如既往的好品质
情感：正面
评论：随意降价，不予价保，服务态度差
情感：负面
"""
good_case = prompts + """
评论：外形外观：苹果审美一直很好，金色非常漂亮拍照效果：14pro升级的4800万像素真的是没的说，太好了，运行速度：苹果的反应速度好，用上三五年也不会卡顿的，之前的7P用到现在也不卡
其他特色：14pro的磨砂金真的太好看了，不太高调，也不至于没有特点，非常耐看，很好的
情感：
"""
good_case
上面两条评论是我们给AI的样本，它就会对句子进行拆分和理解；最后一个评论我们没有标明情感是正面还是负面，这就是我们给予它进行判断的题目。让我们试试：
python复制代码print(get_response(good_case))
判断的结果是“正面”，毫无疑问是正确的，这就说明我们训练成功了！
结语
今天我们带大家体验了一下OpenAI是如何进行情感分析的，相较于之前使用的transformers，OpenAI使用起来更简单，运行能力也更强！感觉怎么样？之后还会带大家进行更多地尝试！如果对文章感兴趣的话，还希望能给博主一个免费的小心心♡呀~
