为什么网站很少做全屏,福清建设银行网站,网站改版案例,h5app开发Qwen-72b开源模型 模型的主要用途是预测或描述一个系统或现象的行为模式。它可以帮助人们更好地理解这个系统或现象#xff0c;例如预测股市变化、天气预报、地震预警、交通流量等。模型也常用于设计和优化产品和工艺。在科学研究中#xff0c;模型也是一种方法#xff0c;用…Qwen-72b开源模型 模型的主要用途是预测或描述一个系统或现象的行为模式。它可以帮助人们更好地理解这个系统或现象例如预测股市变化、天气预报、地震预警、交通流量等。模型也常用于设计和优化产品和工艺。在科学研究中模型也是一种方法用于测试和验证理论。总之模型是一个用于描述和预测现实世界的简化表示。 最近阿里云的通义千问Qwen-72b大模型宣布开源了现可以在魔撘社区点击跳转免费体验也可通过官方限时免费开放的api使用。本文就将讲解如何使用官方api 前提条件
1.需要注册阿里云点我跳转账号
注册
2.开通DashScope点我跳转并创建API-KEY
创建后点击API-KEY管理
创建新的API_KEY一定记住且不要随意给别人 搭建Python(3.7及以上版本)环境并安装DashScope SDK
搭建Python环境这里忽略搭建好环境后安装
pip install dashscope 使用dashscope调用api
设置API-KEY
设置API_KET的方法有很多种这里只讲python代码中添加
import random
from http import HTTPStatusimport dashscope
from dashscope.api_entities.dashscope_response import Roledashscope.api_key 你的api-key
messages参数讲解配合下文使用
# 需要导入from dashscope.api_entities.dashscope_response import Role
{role: Role.USER, # 此处是 user代表着用户content: content # 此处用户输入的内容
}{role: Role.SYSTEM # 此处是 system代表着是此次对话的标题用过chatgpt的应该了解content: content # 此处是对话的第一句话也是标题。
}{role: Role.ASSISTANT # 此处是 assistant代表着机器人apicontent: content # 机器人的输出
}# 这些都用一个列表存储在一起
# 因此我们可以通过这种方式存储对话的缓存也可以自定义对话内容。
简单调用
def call_with_messages(content: str):messages [{role: user, content: content}]response dashscope.Generation.call(qwen-72b-chat, # 采用模型messagesmessages, # 信息列表result_formatmessage, # 设置格式为message)if response.status_code HTTPStatus.OK:return response.output.choices[0][message][content]else:print(Request id: %s, Status code: %s, error code: %s, error message: %s % (response.request_id, response.status_code,response.code, response.message))while True:content input(user)print(call_with_messages(content))
这就是最简单的调用但是没有缓存缓存记录。
缓存调用
def multi_round_conversation(content: str):messages [{role: Role.SYSTEM, content: 我是谁},{role: Role.USER, content: 我是PYmili你记住了},{role: Role.ASSISTANT, content: 好的我记住了}]response dashscope.Generation.call(qwen-72b-chat,messagesmessages,# 设置一个种子并不是必要参数seedrandom.randint(1, 10000),result_formatmessage,)if response.status_code HTTPStatus.OK:print(response)messages.append({role: response.output.choices[0][message][role],content: response.output.choices[0][message][content]})else:print(Request id: %s, Status code: %s, error code: %s, error message: %s % (response.request_id, response.status_code,response.code, response.message))messages.append({role: Role.USER, content: content})response dashscope.Generation.call(qwen-72b-chat,messagesmessages,result_formatmessage)if response.status_code HTTPStatus.OK:print(response)else:print(Request id: %s, Status code: %s, error code: %s, error message: %s % (response.request_id, response.status_code,response.code, response.message))print(messages)
messages中将存放所有对话缓存。
流式调用
def call_stream_with_messages():messages [{role: user, content: 用c语言写一个插入算法。}]responses dashscope.Generation.call(qwen-72b-chat,messagesmessages,seedrandom.randint(1, 10000), # set the random seed, optional, default to 1234 if not setresult_formatmessage, # set the result to be message format.streamTrue,output_in_fullTrue # get streaming output incrementally)full_content for response in responses:if response.status_code HTTPStatus.OK:full_content response.output.choices[0][message][content]print(response)else:print(Request id: %s, Status code: %s, error code: %s, error message: %s % (response.request_id, response.status_code,response.code, response.message))print(Full content: \n full_content)
这样将会对于机器人输出长字符串很好的优化。就可以实现机器人在打字的效果。 官方文档
更详细的内容可以到官网文档点我跳转看看 结束语
好的这就是本篇文章内容有问题的话可以联系我Q群 706128290
