Python 如何调用 AI：全面指南

假设我们已经使用 TensorFlow 训练了一个简单的图像分类模型，以下是如何在 Python 中加载并使用该模型的示例。Python 为调用 AI 提供了丰富的选择，无论是本地的预训练模型还是云端的 API。通过本博客介绍的方法和代码示例，你可以根据自己的需求灵活选择合适的方式来调用 AI，实现各种有趣的应用，如文本生成、图像分类等。希望这些内容能帮助你更好地利用 Python 与 AI 进行

阿贾克斯ajax0322

3361人浏览 · 2025-02-24 23:32:18

阿贾克斯ajax0322 · 2025-02-24 23:32:18 发布

Python 如何调用 AI：全面指南

引言

一、调用本地 AI 模型

1.1 使用 Hugging Face 的 Transformers 库调用预训练模型

安装依赖库

代码示例：文本生成

代码解释

1.2 使用 TensorFlow 或 PyTorch 调用自定义训练的模型

2.1 调用 OpenAI 的 GPT 模型

引言

人工智能（AI）在当今科技领域扮演着举足轻重的角色，其强大的功能为众多领域带来了革新。Python 作为一种广泛使用且功能强大的编程语言，提供了丰富的库和工具，使得调用 AI 变得轻而易举。本博客将详细介绍 Python 调用 AI 的常见方法，涵盖调用不同类型的 AI 模型，包括本地模型和云端 API，并给出相应的代码示例。

一、调用本地 AI 模型

1.1 使用 Hugging Face 的 Transformers 库调用预训练模型

Hugging Face 的 Transformers 库提供了大量的预训练模型，可用于文本生成、情感分析、机器翻译等多种任务。

安装依赖库

pip install transformers torch

代码示例：文本生成

from transformers import AutoTokenizer, AutoModelForCausalLM

# 加载预训练的分词器和模型
tokenizer = AutoTokenizer.from_pretrained("gpt2")
model = AutoModelForCausalLM.from_pretrained("gpt2")

# 输入文本
input_text = "Once upon a time"
input_ids = tokenizer.encode(input_text, return_tensors='pt')

# 生成文本
output = model.generate(input_ids, max_length=100, num_return_sequences=1)

# 解码生成的文本
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

代码解释

首先，我们使用 AutoTokenizer 和 AutoModelForCausalLM 从 Hugging Face 的模型库中加载 gpt2 模型的分词器和模型。
然后，将输入文本编码为模型可以理解的输入 ID。
接着，使用 generate 方法生成文本，设置最大长度和返回序列的数量。
最后，将生成的 ID 序列解码为可读的文本。

1.2 使用 TensorFlow 或 PyTorch 调用自定义训练的模型

假设我们已经使用 TensorFlow 训练了一个简单的图像分类模型，以下是如何在 Python 中加载并使用该模型的示例。

保存模型

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train / 255.0
x_test = x_test / 255.0

# 构建模型
model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 保存模型
model.save('mnist_model.h5')

加载并使用模型

import tensorflow as tf
import numpy as np

# 加载模型
loaded_model = tf.keras.models.load_model('mnist_model.h5')

# 准备测试数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_test = x_test / 255.0

# 选择一个测试样本
test_sample = x_test[0]
test_sample = np.expand_dims(test_sample, axis=0)

# 进行预测
predictions = loaded_model.predict(test_sample)
predicted_class = np.argmax(predictions)
print(f"Predicted class: {predicted_class}")

代码解释

在保存模型部分，我们使用 TensorFlow 的 Keras API 构建、训练并保存了一个简单的 MNIST 图像分类模型。
在加载并使用模型部分，我们加载保存的模型，准备测试数据，选择一个测试样本并进行预测，最后输出预测的类别。

二、调用云端 AI API

2.1 调用 OpenAI 的 GPT 模型

OpenAI 提供了强大的语言模型 API，可用于文本生成、问答等多种任务。

安装依赖库

pip install openai

代码示例：文本生成

import openai

# 设置 API 密钥
openai.api_key = "your_api_key"

# 定义生成文本的函数
def generate_text(prompt):
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        max_tokens=100,
        temperature=0.7
    )
    return response.choices[0].text.strip()

# 输入提示
prompt = "Write a short story about a robot."

# 生成文本
generated_text = generate_text(prompt)
print(generated_text)

代码解释

首先，我们需要设置 OpenAI 的 API 密钥。
然后，定义一个函数 generate_text，该函数接受一个提示作为输入，使用 openai.Completion.create 方法调用 OpenAI 的 API 生成文本。
最后，传入一个提示并打印生成的文本。

2.2 调用百度的文心一言 API

百度的文心一言也提供了强大的语言生成能力。

安装依赖库

pip install wenxin-api

代码示例：文本生成

import wenxin_api
from wenxin_api.tasks.text_generation import TextGeneration

# 设置 API Key 和 Secret Key
wenxin_api.ak = "your_api_key"
wenxin_api.sk = "your_secret_key"

# 定义生成文本的函数
def generate_text_wenxin(prompt):
    input_dict = {
        "text": prompt,
        "min_gen_len": 50,
        "max_gen_len": 200
    }
    result = TextGeneration.create(**input_dict)
    return result['text']

# 输入提示
prompt = "描述一下春天的景色"

# 生成文本
generated_text = generate_text_wenxin(prompt)
print(generated_text)

代码解释

首先，我们需要设置百度文心一言的 API Key 和 Secret Key。
然后，定义一个函数 generate_text_wenxin，该函数接受一个提示作为输入，使用 TextGeneration.create 方法调用百度文心一言的 API 生成文本。
最后，传入一个提示并打印生成的文本。