譯者 | 劉濤

審校 | 重樓

人工智能領(lǐng)域呈現(xiàn)出高速發(fā)展的態(tài)勢。每周均有新的模型誕生，舊有模型也在持續(xù)優(yōu)化，基于這些模型開發(fā)的應(yīng)用工具愈發(fā)便捷易用。

然而，在構(gòu)建機器學習項目的過程中，開發(fā)者可能會遭遇一個關(guān)鍵挑戰(zhàn)：如何高效地分享項目成果，以供他人進行試用。

單純提供一本滿是代碼的筆記本顯然是不夠的。用戶期望能夠與模型進行交互，通過輸入特定內(nèi)容、點擊操作按鈕，進而即時獲取處理結(jié)果。

在此情況下，Gradio這款工具發(fā)揮了重要作用。借助幾行Python代碼，開發(fā)者即可將自身的AI模型轉(zhuǎn)化為一個簡易的網(wǎng)頁應(yīng)用程序。開發(fā)者無需掌握HTML、CSS或JavaScript等前端技術(shù)知識，Gradio會自動處理界面設(shè)計與實現(xiàn)，使開發(fā)者能夠?qū)⒕杏谀Ｐ偷难邪l(fā)與優(yōu)化。

在本教程中，將詳細介紹如何在短時間內(nèi)運用Gradio構(gòu)建AI演示。完成本教程的學習后，開發(fā)者將能夠搭建一個可供任意用戶進行測試的實時演示系統(tǒng)。

目錄

• Gradio的概念
• Gradio的應(yīng)用價值
• 搭建首個Gradio
• 將機器學習模型集成至Gradio
• Gradio界面的自定義策略
• Gradio應(yīng)用程序的分享途徑
• 總結(jié)

Gradio的概念

Gradio是一個開源的Python庫，可用于便捷地為機器學習模型創(chuàng)建交互式網(wǎng)絡(luò)界面。

假設(shè)要訓練一個文本摘要生成器或圖像分類器，若不使用Gradio，就需要構(gòu)建前端、編寫后端代碼、尋找托管平臺，并將各部分進行連接，這一過程既耗費時間又消耗精力。

而使用了Gradio后，僅需編寫幾行Python代碼，它便能生成一個附帶完整用戶界面（UI）的可分享鏈接。該界面可在任何具備瀏覽器的設(shè)備上使用，還能嵌入網(wǎng)站，也可分享給團隊成員以收集反饋。

Gradio支持文本、圖像、音頻、視頻及多種其他數(shù)據(jù)類型，適用于計算機視覺、自然語言處理、語音識別等各類人工智能應(yīng)用。

Gradio的應(yīng)用價值

速度是選用Gradio的關(guān)鍵因素之一。若從零開始為模型構(gòu)建網(wǎng)絡(luò)應(yīng)用程序，可能需耗費數(shù)小時甚至數(shù)天時間。而Gradio可將此過程縮短至幾分鐘，讓開發(fā)者能夠?qū)Ｗ⒂谌斯ぶ悄苣Ｐ偷膬?yōu)化，由Gradio負責處理用戶界面的搭建。

Gradio具有較低的學習門檻。即便僅具備基礎(chǔ)Python知識的初學者，也能夠利用其創(chuàng)建出可運行的演示程序。它與TensorFlow、PyTorch以及Hugging Face Transformers等主流庫具有良好的兼容性。

分享便捷是Gradio的另一顯著優(yōu)勢。啟動Gradio應(yīng)用程序時，系統(tǒng)會生成一個公共鏈接，任何用戶均可通過該鏈接訪問應(yīng)用程序，無需手動部署或搭建服務(wù)器。這一特性使Gradio在黑客馬拉松活動、快速原型制作，以及向客戶和朋友展示演示程序等場景中具有較高的適用性。

如何安裝Gradio

在搭建首個應(yīng)用程序前，需完成 Gradio 的安裝。具體操作是，打開終端或命令提示符，輸入如下指令：

pip install gradio

安裝便捷簡單，通常在一分鐘內(nèi)即可完成。安裝完成后，便可以著手搭建首個演示程序。

搭建首個Gradio

下面從一個簡單示例開始。假定要搭建一個文本反轉(zhuǎn)應(yīng)用程序，該程序可接收用戶輸入的句子，并展示其反轉(zhuǎn)后的內(nèi)容。盡管這并非嚴格意義上的人工智能模型，但有助于掌握相關(guān)基礎(chǔ)知識。

具體代碼如下：

# Import the Gradio library
import gradio as gr

# Define a function that reverses any input text
def reverse_text(text):
 # The [::-1] slice notation reverses the string
 return text[::-1]

# Create a Gradio interface to connect the function with a simple web UI
demo = gr.Interface(
 fn=reverse_text, # Function to call when the user submits input
 inputs="text", # Type of input (a text box for user input)
 outputs="text", # Type of output (a text box to display reversed text)
 title="Text Reversal App", # Title displayed on the app
 description="Type any text and see it reversed instantly." # Short description for users
)

# Launch the web app in the browser
demo.launch()

gr.Interface()用于將Python函數(shù)與基于網(wǎng)頁的用戶界面進行連接。其中，fn=reverse_text指示 Gradio，在用戶輸入內(nèi)容時調(diào)用該函數(shù)進行處理。

inputs="text" 明確輸入框的類型為文本框，outputs="text"則規(guī)定輸出以文本形式呈現(xiàn)。

title和 description可通過添加標題和說明，優(yōu)化應(yīng)用程序的展示效果。

將上述代碼保存為Python文件并運行，系統(tǒng)會自動彈出一個瀏覽器窗口，窗口中包含一個文本框。在文本框中輸入內(nèi)容并點擊提交后，即可看到反轉(zhuǎn)后的文本顯示出來。

將機器學習模型集成至Gradio

接下來，構(gòu)建一個更具實際意義的應(yīng)用程序。假設(shè)擁有一個情感分析模型，該模型能夠接收文本輸入，并對文本情感進行預測，判斷其為積極、消極或中性。你可以便捷地將此模型與Gradio進行集成。

以下是一個運用Hugging Face Transformers的示例：

# Import the Gradio library
import gradio as gr

# Import the 'pipeline' function from Hugging Face's Transformers library
# 'pipeline' lets you load pre-trained AI models with a single line of code
from transformers import pipeline

# Load a pre-trained sentiment analysis model from Hugging Face
# This model can classify text as POSITIVE, NEGATIVE, or NEUTRAL along with a confidence score
sentiment_model = pipeline("sentiment-analysis")

# Define a function that uses the model to analyze text sentiment
def analyze_sentiment(text):
 # Pass the user-provided text to the model
 # The model returns a list of predictions; we take the first one using [0]
 result = sentiment_model(text)[0]

 # Return the label (e.g., POSITIVE) and the confidence score formatted to 2 decimal places
 return f"Label: {result['label']}, Score: {result['score']:.2f}"

# Create a Gradio interface to turn the function into a web app
demo = gr.Interface(
 fn=analyze_sentiment, # The function to call when user inputs text
 inputs="text", # The input type (a single-line text box)
 outputs="text", # The output type (display as text)
 title="Sentiment Analysis App", # Title shown at the top of the web app
 descriptinotallow="Type a sentence to check its sentiment." # Short explanation for the app
)

# Launch the web app so users can interact with it in a browser
demo.launch()

運行此代碼，在輸入框中輸入 “我喜歡這個產(chǎn)品！”，模型將輸出“Label：POSITIVE”以及相應(yīng)的置信度得分。

Gradio界面的自定義策略

Gradio支持對標題、描述、主題，甚至示例進行自定義設(shè)置。例如，可以按照如下方式添加示例輸入：

demo = gr.Interface(fn=analyze_sentiment, 
 inputs="text", 
 outputs="text",
 title="Sentiment Analysis App",
 descriptinotallow="Type a sentence to check its sentiment.",
 examples=[["I love AI"], ["I hate waiting"]])

目前，應(yīng)用程序會展示例句，用戶點擊這些例句即可立即開展測試。

Gradio 應(yīng)用程序的分享途徑

運行demo.launch()時，Gradio會啟動本地服務(wù)器并生成一個本地鏈接。若需獲取可分享鏈接，可使用demo.launch(share = True)，執(zhí)行該操作后，系統(tǒng)將生成一個公共鏈接，可用于與他人分享應(yīng)用程序。

默認情況下，公共鏈接的有效期為72小時。若需要永久鏈接，可選擇免費部署至 Hugging Face Spaces，也可使用AWS等平臺完成部署。

總結(jié)

Gradio革新了開發(fā)者分享機器學習模型的方式。以往需耗時數(shù)小時編碼才能達成的任務(wù)，如今借助Gradio僅需幾分鐘便可完成。開發(fā)者只需編寫模型代碼，并將其與Gradio進行連接，即可迅速獲得一個可運行的演示程序以及與之對應(yīng)的可分享鏈接。

對于學習人工智能的學生、分享研究成果的科研人員，或是進行原型構(gòu)建的開發(fā)者而言，Gradio均能有效節(jié)省時間與精力。它簡化了網(wǎng)頁開發(fā)流程，使開發(fā)者能夠?qū)⒕杏诤诵墓ぷ鳌獦?gòu)建人工智能模型。

譯者介紹