Python – 使用 Gradio 创建用于原型机器学习模型的 UI

Gradio是一个开源Python库，它允许您只需几行代码即可为您的 ML 模型、任何 API 或任何任意函数快速创建易于使用、可自定义的 UI 组件。您可以将 GUI 直接集成到Python笔记本中，也可以将链接共享给任何人。
要求 ：

例子 ：

我们可以使用 Gradio.Interface()函数创建与 Gradio 的接口。
gradio.Interface(self, fn, 输入, 输出, 例子=None, live=False,
capture_session=False，title=None，description=None)
参数 ：

• fn：（可调用）包装接口的函数。
• 输入： (Union[str, List[Union[str, AbstractInput]]]) 单个 Gradio 输入组件，或 Gradio 输入组件列表。
• 输出： (Union[str, List[Union[str, AbstractOutput]]]) 单个 Gradio 输出组件，或 Gradio 输出组件列表。
• live: (bool) 界面是否应在更改时自动重新加载。
• capture_session: (bool) 如果为真，则捕获默认图形和会话（Tensorflow 1.x 需要）
• title: (str) 接口的标题；如果提供，则显示在输入和输出组件上方。
• description: (str) 接口的描述；如果提供，则显示在输入和输出组件上方。
• 示例： (List[List[Any]])函数的示例输入；如果提供，则显示在 UI 组件下方，可用于填充界面。应该是嵌套列表，其中外部列表由样本组成，每个内部列表由与每个输入组件对应的输入组成。

界面的 UI 可以通过 gradio.Interface、launch()函数生成。
gradio.Interface.launch(self, share=False)
参数 ：

share: (bool) - whether to create a publicly shareable link from your computer for the interface.

gradio.Interface() 的输入和输出参数有几个输入和输出组件。

Input Components	Output Components
Microphone Textbox Slider Checkbox CheckboxGroup Radio Dropdown Image Sketchdown Webcam	Textbox Label Image Image KeyValues

代码：返回数字阶乘的函数。

Python3

def factorial(integer):
    """ Returns factorial of the given integer"""
    n = int(integer)
    if n<=1:
        return 1
    fact=1
    for i in range(1, n+1):
        fact*=i
    return fact

现在，要用渐变接口包装这个函数，在同一个文件中编写以下代码。

Python3

import gradio
gradio.Interface(factorial, inputs="text", outputs="text").launch(share=True)

当您在 jupyter notebook 中运行上述代码单元时。它将生成这样的 UI：

您还可以复制链接并将其分享给任何人，它将在浏览器中打开相同的 UI。现在，我们将向您展示如何为机器学习模型制作界面。
对于演示，我们将使用 tensorflow 加载预训练的 Inception 网络图像分类模型。由于这是一个图像分类模型，我们将使用图像输入接口。我们将使用标签输出接口输出标签字典及其相应的置信度分数。
代码：

Python3

# imported necessary libraries
import gradio as gr
import tensorflow as tf
import numpy as np
import requests
 
# loading the model
inception_net = tf.keras.applications.InceptionV3()
 
# Download human-readable labels.
response = requests.get("https://git.io/JJkYN")
labels = response.text.split("\n")
 
def classify_image(image):
    """ Returns a dictionary with key as label and values
    as the predicted confidence for that label"""
    # reshaping the image
    image = image.reshape((-1, 299, 299, 3))
    # preprocessing the image for inception_v3
    image = tf.keras.applications.inception_v3.preprocess_input(image)
    # predicting the output
    prediction = inception_net.predict(image).flatten()
    return {labels[i]: float(prediction[i]) for i in range(1000)}
 
# initializing the input component
image = gr.inputs.Image(shape = (299, 299, 3))
# initializing the output component
label = gr.outputs.Label(num_top_classes = 3)
 
# launching the interface
gr.Interface(fn = classify_image, inputs = image,
             outputs = label, capture_session = True).launch()

当您运行上述代码单元时，它将生成如下 UI：

在这里，您可以将图像拖放到 UI 的左侧部分，然后单击提交，您将得到如下结果：

此外，如果您复制链接并将其粘贴到浏览器中，您的界面将如下所示：

它不是 localhost，因此您可以在任何设备上打开相同的链接。
有关输入和输出组件的更多信息，请查看 Gradio 的文档。
资源： Gradio 的文档