AI人工智慧小程式系統開發丨chatGPT聊天開發丨chatGPT4

我們定義了一個名為chatGPT的函式，它需要一個prompt引數，並且可以使用length引數來指定生成文字的最大長度。

在函式內，我們使用tokenizer對prompt進行編碼，並將其傳遞給模型以生成相應的對話。我們還使用repitition_penalty來防

止模型重複相同的文字，使用pad_token_id避免生成無需的文字。

GPT程式碼示例

import
 torch

 



from
 transformers 

 


import
 GPT2Model, GPT2Tokenizer
tokenizer = GPT2Tokenizer.

from_pretrained(
'gpt2'
)
model = GPT2Model.from_pretrained(
'gpt2'
)





def
 
chatGPT
(
prompt, length=
20
):





    input_ids = tokenizer.encode(prompt, return_tensors=
'pt'
)




    model.
eval
()




    
with
 torch.no_grad():

 


        output = model.generate(input_ids, max_length=length,

         repitition_penalty=
2.0
, pad_token_id=tokenizer.eos_token_id)




    response = tokenizer.decode(output[
0
], skip_special_tokens=
True
)
    

    


return
 response

最後，我們使用tokenizer解碼輸出，並將輸出作為函式的返回值。

測試chatGPT

接下來我們定義一個小例子來測試chatGPT。

response=chatGPT('你好，chatGPT。')

print(response)

在上面的程式碼中，我們僅僅給予“你好，chatGPT”的提示。chatGPT程式使用預訓練的模型生成了一個類似自然語言的

問候語，輸出結果如下：

你好，chatGPT。

我是一臺可以自動生成對話的AI機器人，有什麼可以幫您的嗎？

總結

透過這篇文章，我們學習瞭如何使用PyTorch和預訓練的GPT2模型來開發chatGPT人工智慧小程式。

chatGPT技術可以應用於各種語料庫，生成的對話非常自然和流暢。未來，隨著自然語言生成技術的不斷髮展，chatGPT人

工智慧小程式將會在更多領域得到廣泛應用。