Gradio机器学习模型快速部署工具quickstart怎么使用

本文小编为大家详细介绍“Gradio机器学习模型快速部署工具quickstart怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“Gradio机器学习模型快速部署工具quickstart怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

Gradio 是做什么的？

先决条件：Gradio 需要 Python 3.7 或更高版本，仅此而已！

gradio.app/quickstart/…

与他人分享您的机器学习模型、API 或数据科学工作流程的最佳方式_之一是创建一个交互式应用程序，让您的用户或同事可以在他们的浏览器中试用该演示。

Gradio 允许您**构建演示并共享它们，所有这些都在 Python 中。**通常只需几行代码！让我们开始吧。

Hello, World

要使用简单的“Hello, World”示例运行 Gradio，请执行以下三个步骤：

1.使用pip安装Gradio：

pip install gradio

2. 将以下代码作为 Python 脚本或在 Jupyter Notebook中运行：

import gradio as gr
def greet(name):
    return "Hello " + name + "!"
demo = gr.Interface(fn=greet, inputs="text", outputs="text")
demo.launch()

3. 下面的演示将自动出现在 Jupyter Notebook 中，或者如果从脚本运行则在浏览器中弹出 http://localhost:7860

渐变/你好世界 使用 Gradio构建。 托管在 空间

在本地开发时，如果您想将代码作为 Python 脚本运行，您可以使用 Gradio CLI 以重新加载模式启动应用程序，这将提供无缝和快速的开发。在自动重新加载指南中了解有关重新加载的更多信息。

gradio app.py

注意：你也可以这样做python app.py，但它不会提供自动重新加载机制。

类Interface

https://gradio.app/quickstart/#the-interface-class

您会注意到，为了制作演示，我们创建了一个gradio.Interface. 此类Interface可以使用用户界面包装任何 Python 函数。在上面的示例中，我们看到了一个简单的基于文本的函数，但该函数可以是任何东西，从音乐生成器到税收计算器再到预训练机器学习模型的预测函数。

核心Interface类使用三个必需参数进行初始化：

• fn: 环绕 UI 的函数

• inputs: 哪个组件用于输入（例如"text","image"或"audio"）

• outputs: 用于输出的组件（例如"text","image"或"label"）

让我们仔细看看这些用于提供输入和输出的组件。

组件属性

gradio.app/quickstart/…

我们Textbox在前面的示例中看到了一些简单的组件，但是如果您想更改 UI 组件的外观或行为方式怎么办？

假设您想要自定义输入文本字段——例如，您希望它更大并且有一个文本占位符。如果我们使用实际的类Textbox而不是使用字符串快捷方式，您可以通过组件属性访问更多的可定制性。

import gradio as gr
def greet(name):
    return "Hello " + name + "!"
demo = gr.Interface(
    fn=greet,
    # 改变外观
    inputs=gr.Textbox(lines=2, placeholder="Name Here..."),
    outputs="text",
)
demo.launch()

多个输入和输出组件

gradio.app/quickstart/…

假设您有一个更复杂的函数，具有多个输入和输出。在下面的示例中，我们定义了一个函数，它接受一个字符串、布尔值和数字，并返回一个字符串和数字。看一下如何传递输入和输出组件列表。

import gradio as gr
def greet(name, is_morning, temperature):
    salutation = "Good morning" if is_morning else "Good evening"
    greeting = f"{salutation} {name}. It is {temperature} degrees today"
    celsius = (temperature - 32) * 5 / 9
    return greeting, round(celsius, 2)
demo = gr.Interface(
    fn=greet,
    inputs=["text", "checkbox", gr.Slider(0, 100)],
    outputs=["text", "number"],
)
demo.launch()

读到这里，这篇“Gradio机器学习模型快速部署工具quickstart怎么使用”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。