Gradio机器学习模型快速部署工具quickstart

目录

• 引言
• 1.图像示例
• 2.块：更多的灵活性和控制
• 3.更复杂的 blocks

引言

书接上回 Gradio机器学习模型快速部署工具php【quickstart】翻译，讲到多输入输出，其实很简单，就是把多个组件包装到列表，inputs和outputs对应的就是2个列表，输入输出列表，仅此而已。

1.图像示例

Gradio 支持多种类型的组件，例如Image, DataFrame, Video, 或Label. 让我们尝试一个图像到图像的功能来感受一下这些！

import numpy as np
import gradio as gr
def sepia(input_img):
    sepia_filter = np.array([
        [0.393, 0.769, 0.189], 
        [0.349, 0.686, 0.168], 
        [0.272, 0.534, 0.131]
    ])
    sepia_img = input_img.开发者_Go培训dot(sepia_filter.T)
    sepia_img /= sepia_img.max()
    return sepia_img
demo = gr.Interface(sepia, gr.Image(shape=(200, 200)), "image")
demo.launch()

使用该Image组件作为输入时，您的函数将接收一个形状为 的 NumPy 数组(width, height, 3)，其中最后一个维度表示 RGB 值。我们还将以 NumPy 数组的形式返回图像。

您还可以使用关键字参数设置组件使用的数据类型type=。例如，如果您希望您的函数采用图像的文件路径而不是 NumPy 数组，则输入Image组件可以写为：

gr.Image(type="filepath", shape=...)

另请注意，我们的输入Image组件带有一个编辑按钮，它允许裁剪和放大图像。以这种方式处理图像有助于揭示机器学习模型中的偏差或隐藏缺陷！

您可以在Gradio 文档中阅读更多关于许多组件以及如何使用它们的信息。

2.块：更多的灵活性和控制

Gradio 提供了两个类来构建应用程序：

1. Interface，它为创建我们迄今为止一直在讨论的演示提供了高级抽象。

2. Blocks，一种用于设计具有更灵活布局和数据流的网络应用程序的低级 API。Blocks 允许你做一些事情，比如以多个数据流和演示为特色，控制组件在页面上出现的位置，处理复杂的数据流（例如，输出可以作为其他功能的输入），以及根据用户交互更新组件的属性/可见性——仍然全部在 python 中。如果您需要这种可定制性，请试试Blocks吧！

让我们看一个简单的例子。请注意此处的 API 与Interface.

import gradio as gr
def greet(name):
    return "Hello " + name + "!"
with gr.Blocks() as demo:
    name = gr.Textbox(label="Name")
    output = gr.Textbox(label="Output Box")
    greet_btn = gr.Button("Greet")
    greet_btn.click(fn=greet, inputs=name, outputs=output)
demo.launch()

注意事项：

• Blocks是用一个with子句制作的，在这个子句中创建的任何组件都会自动添加到应用程序中。
• 组件按照它们创建的顺序垂直显示在应用程序中。（稍后我们将介绍自定义布局！）
• 创建了A Button，然后将click事件侦听器添加到此按钮。这个 API 应该看起来很熟悉！与 一样Interface，该click方法采用 Python 函数www.devze.com、输入组件和输出组件。

3.更复杂的 Blocks

这是一个应js用程序，可让您体验Blocks:

imporphpt numpy as np
import gradio as gr
# 1.文字翻转
def flip_text(x):
    return x[::-1]
# 2.图像翻转
def flip_image(x):
    return np.fliplr(x)
with gr.Blocks() as demo:
    # 3.添加markdown组件
    gr.Markdown("Flip text or image files using this demo.")
    # 4.添加Tab
    with gr.Tab("Flip Text"):
        text_input = gr.Textbox()
        text_output = gr.Textbox()
        text_button = gr.Button("Flip")
    with gr.Tab("Flip Image"):
        with gr.Row():
            image_input = gr.Image()
            image_output = gr.Image()
        image_button = gr.Button("Flip")
    # 5.添加Accordion
    with gr.Accordion("Open for More!"):编程客栈
        gr.Markdown("Look at me...")
    # 6.添加2个按钮
    text_button.click(flip_text, inputs=text_input, outputs=text_output)
    image_button.click(flip_image, inputs=image_input, outputs=image_output)
demo.launch()

参考网址：gradio.app/quickstart/

以上就是Gradio机器学习模型快速部署工具quickstart的详细内容，更多关于Gradio部署quickstart的资料请关注我们其它相关文章！