HuggingFace课程：使用Gradio构建和分享机器学习演示应用-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00272/article/details/148756085

HuggingFace课程：使用Gradio构建和分享机器学习演示应用

course The Hugging Face course on Transformers 项目地址: https://gitcode.com/gh_mirrors/cou/course

引言

在机器学习项目的开发过程中，构建一个直观的演示界面对于展示模型能力至关重要。HuggingFace课程中介绍的Gradio工具，为开发者提供了一种快速创建和分享交互式机器学习演示的解决方案。本文将深入探讨如何通过Gradio优化演示界面，以及分享演示的多种方式。

Gradio演示界面优化技巧

界面元素增强

Gradio的Interface类提供了多种参数来增强用户体验：

标题与描述：
- title参数为演示添加主标题
- description参数支持Markdown和HTML格式，用于添加详细说明
- article参数可在界面底部添加扩展内容
视觉定制：
- theme参数支持多种预设主题，包括：
  - default - 默认浅色主题
  - huggingface - HuggingFace品牌主题
  - grass - 绿色主题
  - peach - 橙色主题
- 添加dark-前缀可启用暗黑模式，如dark-huggingface
交互增强：
- examples参数可提供预设输入示例，方便用户快速体验
- live参数设置为True可实现实时预测（无需提交按钮）

实际应用示例

以下是一个完整的Gradio界面配置示例，展示了问答机器人应用：

title = "Ask Rick a Question"
description = """
基于《瑞克和莫蒂》对话训练的问答机器人。向瑞克提问任何问题！
<img src="rick.png" width=200px>
"""

article = "参考原始瑞克和莫蒂机器人实现"

gr.Interface(
    fn=predict,
    inputs="textbox",
    outputs="text",
    title=title,
    description=description,
    article=article,
    examples=[["你在做什么？"], ["我们应该穿越到哪个时间点？"]],
).launch()

分享Gradio演示的两种方式

1. 临时分享链接

通过设置launch(share=True)，Gradio会生成一个有效期72小时的公开链接：

gr.Interface(classify_image, "image", "label").launch(share=True)

特点：

链接格式为XXXXX.gradio.app
处理完全在本地设备进行
适合临时演示和快速分享
关闭本地服务器后链接失效

注意事项：

链接完全公开，需注意数据安全
不适合长期或生产环境使用

2. 永久托管方案

对于长期可用的演示，推荐使用Hugging Face Spaces服务：

优势：

完全免费的永久托管
支持公开或私有仓库
自动部署和版本控制
集成模型和数据集展示

部署流程：

创建Space仓库
添加包含Gradio界面的app.py文件
推送代码后自动构建和部署

实战案例：手绘识别应用

下面是一个完整的手绘识别应用实现，展示了Gradio的高级功能：

模型加载与预测

from pathlib import Path
import torch
import gradio as gr
from torch import nn

# 加载标签和模型
LABELS = Path("class_names.txt").read_text().splitlines()

model = nn.Sequential(
    nn.Conv2d(1, 32, 3, padding="same"),
    nn.ReLU(),
    nn.MaxPool2d(2),
    # ... 更多网络层
    nn.Linear(256, len(LABELS)),
)
model.load_state_dict(torch.load("pytorch_model.bin", map_location="cpu"))
model.eval()

def predict(im):
    # 预处理和预测逻辑
    x = torch.tensor(im, dtype=torch.float32).unsqueeze(0).unsqueeze(0) / 255.0
    with torch.no_grad():
        out = model(x)
    probabilities = torch.nn.functional.softmax(out[0], dim=0)
    values, indices = torch.topk(probabilities, 5)
    return {LABELS[i]: v.item() for i, v in zip(indices, values)}

Gradio界面配置

interface = gr.Interface(
    predict,
    inputs="sketchpad",  # 手绘输入组件
    outputs="label",     # 标签输出组件
    theme="huggingface",
    title="手绘识别",
    description="来玩猜画游戏吧！绘制常见物体如铲子或笔记本电脑，模型会实时猜测！",
    article="<p style='text-align: center'>手绘识别 | 演示模型</p>",
    live=True,  # 启用实时预测
)
interface.launch(share=True)  # 生成分享链接

关键特性：