引言：对于接口，不了解参数含义，就不知道它能咋用？而了解参数的含义最好有例子，基于这个认知，整理了OpenAI几个主要API的接口参数说明。
OpenAI的Embeddings接口主要用于将自然语言文本转换为向量表示，以便计算机可以更轻松地对文本进行处理和分析。
这些向量表示可以捕捉到文本中的语义和语法信息。使用这些嵌入向量，可以进行词汇相似性比较、文本分类、情感分析、命名实体识别、机器翻译等各种NLP任务。
在实际应用中，OpenAI的Embeddings接口可以用于各种场景，如智能客服、智能搜索、广告推荐、社交媒体分析等。在这些场景下，文本数据是非常丰富和复杂的，使用嵌入向量可以使得计算机更好地理解和处理这些文本数据。
参数说明
通用的参数可以看OpenAI.Completion 接口参数说明，下面我们只介绍不同的注意点。
参数 model
同样的输入文本，使用不同的模型参数生成的嵌入表示向量也会不同。如果需要进行比较，建议使用同一个模型参数来计算嵌入表示向量。
参数 input
输入参数input支持传入一个字符串或一个字符串列表。
如果传入一个字符串列表，则会将所有字符串拼接起来形成一个大字符串，然后进行嵌入表示计算。
所以长度8192的限制，这是所有字符串拼接后的总长度限制。
例：比较两段文本的相似度
可以使用多种方法来比较Embeddings出来的两个向量的相似度，其中一种常用的方法是计算它们之间的余弦相似度，下面是例子：
import openai
import numpy as np
# 首先需要设置OpenAI的API密钥
openai.api_key = "YOUR_API_KEY"
# 定义要比较的两段文本
text1 = "The cat jumped over the lazy dog."
text2 = "The quick brown fox jumps over the lazy dog."
# 使用GPT-2模型对两段文本进行嵌入表示
embedding1 = openai.Embedding.create(model="text-davinci-002", document=text1).vector
embedding2 = openai.Embedding.create(model="text-davinci-002", document=text2).vector
# 计算两个向量的余弦相似度
cosine_sim = np.dot(embedding1, embedding2) / (np.linalg.norm(embedding1) * np.linalg.norm(embedding2))
# 输出相似度
print("相似度为：", cosine_sim)
这个例子中，我们使用numpy库中的dot()函数计算两个向量的点积，并使用numpy库中的norm()函数计算向量的范数（即长度），最终计算余弦相似度。