【01】大模型原理与API使用

本篇目标

·AIGC发展:从GPT1到GPT4

·AIGC的表现与优势

·AIGC的通用能力应用

·大模型API使用

CASE-情感分析-Qwen

CASE-天气Function-Qwen

CASE-表格提取-Qwen

CASE-运维事件处置-Qwen

AI 的分类

  • 分析式AI : 也称为判别式AI,其核心任务是对已有数据进行分类、预测或决策。
    优势在于其高精度和高效性,但其局限性在于仅能处理已有数据的模式,无法创造新内容.
  • 生成式AI:专注于创造新内容,例如文本、图像、音等。突破在于其创迪性和灵活性,但也面临败据隐私、版权保护等挑战

chatgpt 的发展历史

版本 时间 特点
GPT 2018 最初版本,提出基于 Transformer 的语言建模思路
GPT-2 2019 增大模型规模(15亿参数),展示出惊人的文本生成能力(但初期未公开)
GPT-3 2020 参数规模达 1750 亿,成为主流应用和研究的标志性模型
ChatGPT(基于 GPT-3.5) 2022 引入对话调优,使其更适应交互场景
GPT-4 / GPT-4.5 / GPT-4-turbo 2023--2024 多模态能力(图文)、更强逻辑与对话性、上下文扩展到数十万 token
GPT-5(传闻中) 2025 可能进一步强化多模态、智能体、自主学习能力

chatgpt 是如何训练出来的? (基于奖励模型)

包含3个步骤:

CASE1 : 车险反欺诈预测

  • 使用智谱清言 ChatGLM
  • 使用cursor (网上自行搜cursor 安装教程)
    优点:生成好后,能运行
    如:帮我编写python 读取 train.csv,并展示前5行

帮我统计不同年龄层的欺诈比例,使用正确的列名

python 复制代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 读取数据
df = pd.read_csv('train.csv')

# 创建年龄段
df['age_group'] = pd.cut(df['age'], 
                        bins=[0, 20, 30, 40, 50, 60, 100],
                        labels=['0-20岁', '21-30岁', '31-40岁', '41-50岁', '51-60岁', '60岁以上'])

# 计算每个年龄段的欺诈比例
fraud_by_age = df.groupby('age_group').agg({
    'fraud_reported': ['count', 'mean']
}).round(4)

fraud_by_age.columns = ['总数', '欺诈比例']
fraud_by_age['欺诈数量'] = (fraud_by_age['总数'] * fraud_by_age['欺诈比例']).astype(int)

# 打印结果
print("\n不同年龄层的欺诈分析:")
print("=" * 50)
print(fraud_by_age)
print("\n各年龄层详细信息:")
print("-" * 50)
for age_group in fraud_by_age.index:
    total = fraud_by_age.loc[age_group, '总数']
    fraud_count = fraud_by_age.loc[age_group, '欺诈数量']
    fraud_rate = fraud_by_age.loc[age_group, '欺诈比例']
    print(f"{age_group}: 总数{total}人, 欺诈{fraud_count}人, 欺诈率{fraud_rate:.2%}")

# 可视化
plt.figure(figsize=(12, 6))
plt.bar(fraud_by_age.index, fraud_by_age['欺诈比例'])
plt.title('不同年龄段的欺诈比例分析')
plt.xlabel('年龄段')
plt.ylabel('欺诈比例')
plt.xticks(rotation=45)

# 在柱状图上添加具体数值标签
for i, v in enumerate(fraud_by_age['欺诈比例']):
    plt.text(i, v, f'{v:.2%}', ha='center', va='bottom')

plt.tight_layout()
plt.savefig('fraud_by_age.png', dpi=300, bbox_inches='tight')
plt.close()

# 打印总体欺诈率作为参考
print("\n总体欺诈率: {:.2%}".format(df['fraud_reported'].mean())) 

CASE - API 使用

获取key:通过 https://bailian.console.aliyun.com/ 完成注册,得到 dashscope的API Key,方便后续使用大模型,比如使用 Qwen-Turbo

https://bailian.console.aliyun.com/?tab=model#/api-key

安装dashscope库时,需要关闭梯子,否则报错

情感分析

python 复制代码
import json
import os
import dashscope
from dashscope.api_entities.dashscope_response import Role
dashscope.api_key = "sk-your key"

# 封装模型响应函数
def get_response(messages):
    response = dashscope.Generation.call(
        model='qwen-turbo',
        messages=messages,
        result_format='message'  # 将输出设置为message形式
    )
    return response
    
review = '这款音效特别好 给你意想不到的音质。'
messages=[
    {"role": "system", "content": "你是一名舆情分析师,帮我判断产品口碑的正负向,回复请用一个词语:正向 或者 负向"},
    {"role": "user", "content": review}
  ]

response = get_response(messages)
response.output.choices[0].message.content
相关推荐
kuan_li_lyg14 分钟前
笛卡尔坐标机器人控制的虚拟前向动力学模型
人工智能·stm32·机器人·机械臂·动力学·运动学·导纳控制
合作小小程序员小小店18 分钟前
旧版本附近停车场推荐系统demo,基于python+flask+协同推荐(基于用户信息推荐),开发语言python,数据库mysql,
人工智能·python·flask·sklearn·推荐算法
却道天凉_好个秋25 分钟前
OpenCV(十四):绘制直线
人工智能·opencv·计算机视觉
动能小子ohhh28 分钟前
Langchain从零开始到应用落地案例[AI智能助手]【3】---使用Paddle-OCR识别优化可识别图片进行解析回答
人工智能·python·pycharm·langchain·ocr·paddle·1024程序员节
IT_陈寒32 分钟前
Vue 3.4性能优化实战:5个鲜为人知的Composition API技巧让打包体积减少40%
前端·人工智能·后端
数据与人工智能律师40 分钟前
数据淘金时代的法治罗盘:合法收集、使用与变现数据的边界与智慧
大数据·网络·人工智能·云计算·区块链
王哈哈^_^1 小时前
【数据集】【YOLO】【目标检测】建筑垃圾数据集 4256 张,YOLO建筑垃圾识别算法实战训推教程。
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·数据集
牛奶还是纯的好1 小时前
双目测距实战4-自标定
人工智能·3d视觉
亚马逊云开发者1 小时前
基于Redshift MCP Server+Strands Agents SDK+Bedrock AgentCore Runtime实现Agentic
人工智能
机器之心1 小时前
三百年几何猜想被推翻,数学家首次发现「穿不过去」的多面体
人工智能·openai