Gradio 入门到进阶全网最详细教程[二]：快速搭建 AI 算法可视化部署演示(侧重参数详解和案例实践)
相关文章：Gradio入门到进阶全网最详细教程[一]：快速搭建AI算法可视化部署演示(侧重项目搭建和案例分享)
在教程一中主要侧重讲解 gradio 的基础模块搭建以及 demo 展示，本篇文章则会侧重实际任务的搭建。
1.经典案例简单的 RGB 转灰度
保持一贯作风简单展示一下如何使用
import gradio as grimport cv2
def to_black(image): output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) return output
interface = gr.Interface(fn=to_black, inputs="image", outputs="image")
interface.launch()
复制代码
gradio 的核心是它的 gr.Interface 函数，用来构建可视化界面。
最后我们用 interface.lauch()把页面一发布，一个本地静态交互页面就完成了！在浏览器输入http://127.0.0.1:7860/,查收你的页面：
对于任何图像处理类的 ML 代码来说，只要定义好一个图像输入>>模型推理>>返回图片的函数（逻辑和 RGB 转灰度图本质上没区别），放到 fn 中即可。
1.1 增加 example
可以在页面下方添加供用户选择的测试样例。
在 gr.Interface 里的 examples 中放入图片路径，格式为[[路径 1],[路径 2],...]。
import gradio as grimport cv2
def to_black(image): output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) return output
interface = gr.Interface(fn=to_black, inputs="image", outputs="image", examples=[["gradio/test.png"]])interface.launch()
复制代码
增加 example 不仅能让你的 UI 界面更美观，逻辑更完善，也有一些其他意义：比如做了一个图像去噪算法，但是用户手头并没有躁点照片，example 能让他更快的体验到效果
2. 文本分类
在 Gradio 中搭建一个实用的自然语言处理应用最少只需要三行代码！让我们三行代码来搭建一个文本分类模型的演示系统，这里使用的模型是 uer/roberta-base-finetuned-dianping-chinese,代码如下
#导入gradioimport gradio as gr#导入transformers相关包from transformers import *#通过Interface加载pipeline并启动服务gr.Interface.from_pipeline(pipeline("text-classification", model="uer/roberta-base-finetuned-dianping-chinese")).launch()
复制代码
过程中需要加载一个 400MB 的模型。
直接运行即可，运行后，服务默认会启动在本地的 7860 端口，打开链接即可。
可以在左侧输入待分类文本，而后点击 submit 按钮，右侧便会展示出预测的标签及概率，如下图所示
3. 阅读理解
#导入gradioimport gradio as gr#导入transformers相关包from transformers import *#通过Interface加载pipeline并启动服务gr.Interface.from_pipeline(pipeline("question-answering", model="uer/roberta-base-finetuned-dianping-chinese")).launch()
复制代码
再次打开，可以看到界面中除了几个按钮外的内容全部进行了更新，变成了阅读理解相关的内容，输入部分包括了 context 和 question 两部分，输出也变成了 answer 和 score 两部分。
效果上不佳可以考虑重新加载以及微调模型
3.1 完善页面
尽管我们快速的启动了一个 demo，但是页面整体还是较为简陋的，除了标题和实际的调用部分，缺少一些其他内容，我们可以通过配置几个简单的参数，将页面进行完善，还是以阅读理解任务为例，代码如下：
import gradio as grfrom transformers import *
#标题title = "抽取式问答"#标题下的描述，支持md格式description = "输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！"#输入样例examples = [ ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "著名诗歌《假如生活欺骗了你》的作者是"], ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "普希金创作的叙事诗叫什么"] ]#页面最后的信息，可以选择引用文章，支持md格式article = "感兴趣的小伙伴可以阅读[gradio专栏](https://blog.csdn.net/sinat_39620217/category_12298724.html?spm=1001.2014.3001.5482)"
gr.Interface.from_pipeline( pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa"), title=title, description=description, examples=examples, article=article).launch()
复制代码
4.Interface 使用详解
前面的内容中构建演示系统都是基于 pipeline 的，各个部分的模块都是定义好的，快速启动的同时，在灵活性上有所欠缺。
简单的说，就需要两步：
第一步，定义执行函数；
第二步，绑定执行函数并指定输入输出组件。
假设还是阅读理解任务，但是我们这次不适用基于 pipeline 的加载方式，而是自定义实现，要求输入包含 context、question，输出包含 answer 和 score，但是这里的 answer 要求要把问题拼接上，如前面的示例，answer 为普希金，这里的答案要变为：著名诗歌《假如生活欺骗了你》的作者是：普希金 ，针对这一需求，我们看下要如何实现。
qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")def custom_predict(context, question): answer_result = qa(context=context, question=question) answer = question + ": " + answer_result["answer"] score = answer_result["score"] return answer, score
复制代码
接下来，在 Interface 中绑定执行函数并指定输入输出组件，fn 字段绑定执行函数；inputs 字段指定输入组件，这里是 context 和 question 两个文本输入，因此 inputs 字段的值为["text", "text"]数组（这里的 text 表示输入组件为 TextBox，text 只是一种便捷的指定方式）；outputs 字段指定输出组件，answer 是文本输出，score 可以用标签输出，这里采取了和 inputs 字段不一样的创建方式，我们直接创建了对应的组件，这种方式的使用优势在于可以对组件进行更精细的配置，例如这里我们便分别指定了两个输出模块的 label 。
gr.Interface(fn=custom_predict, inputs=["text", "text"], outputs=[gr.Textbox(label="answer"), gr.Label(label="score")], title=title, description=description, examples=examples, article=article).launch()
复制代码
注意点：
输入输出要与函数的输入输出个数一致
outputs 字段，推荐使用创建的方式，否则页面显示的标签都是 output*，不够清晰
完整代码：
import gradio as grfrom transformers import *
#标题title = "抽取式问答"#题下的描述，支持md格式description = "输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！"#输入样例examples = [ ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "著名诗歌《假如生活欺骗了你》的作者是"], ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "普希金创作的叙事诗叫什么"] ]#页面最后的信息，可以选择引用文章，支持md格式
article = "感兴趣的小伙伴可以阅读[gradio专栏](https://blog.csdn.net/sinat_39620217/category_12298724.html?spm=1001.2014.3001.5482)"
qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")
def custom_predict(context, question): answer_result = qa(context=context, question=question) answer = question + ": " + answer_result["answer"] score = answer_result["score"] return answer, score
gr.Interface(fn=custom_predict, inputs=["text", "text"], outputs=[gr.Textbox(label="answer"), gr.Label(label="score")], title=title, description=description, examples=examples, article=article).launch()
复制代码
可以看到，其他的部分与我们使用 pipeline 创建的方式都一致，只是在 answer 部分有了变化。通过这种方式，我们可以创建出更加复杂的包含任意输入、输出的系统。
5.Blocks 使用详解
事实上，Interface 是一个更加高级的组件，虽然它已经支持了了一定的自定义内容，但是灵活性还是略差一些，如果有注意的话，可以回到上文看下，所有的组件都是被划分为了左右两部分，左侧输入，右侧输出。使用 Interface 就要接受这样的默认设定，那么假设你现在就想做成上下结构，上面输入，下面输出，那么，我们就需要用到 Block。
Blocks 是比 Interface 更加底层一些的模块，支持一些简单的自定义排版，那么下面就让我们来重构一下上面组件排列。整体是上下结构，从上到下，依次是 context 输入、question 输入，clear 按钮和 submit 按钮（在一横排），answer 输出，score 输出，其余如 title、examples 等内容不变，代码如下
import gradio as grfrom transformers import *
title = "抽取式问答"
description = "输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！"
examples = [ ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "著名诗歌《假如生活欺骗了你》的作者是"], ["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "普希金创作的叙事诗叫什么"] ]
article = "感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)"
#预测函数qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")def custom_predict(context, question): answer_result = qa(context=context, question=question) answer = question + ": " + answer_result["answer"] score = answer_result["score"] return answer, score
#清除输入输出def clear_input(): return "", "", "", ""
#构建Blocks上下文with gr.Blocks() as demo: gr.Markdown("# 抽取式问答") gr.Markdown("输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！") with gr.Column(): # 列排列 context = gr.Textbox(label="context") question = gr.Textbox(label="question") with gr.Row(): # 行排列 clear = gr.Button("clear") submit = gr.Button("submit") with gr.Column(): # 列排列 answer = gr.Textbox(label="answer") score = gr.Label(label="score") #绑定submit点击函数 submit.click(fn=custom_predict, inputs=[context, question], outputs=[answer, score]) # 绑定clear点击函数 clear.click(fn=clear_input, inputs=[], outputs=[context, question, answer, score]) gr.Examples(examples, inputs=[context, question]) gr.Markdown("感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)")
demo.launch()
复制代码
当我们的服务启动起来后，还是在本地的，虽然访问是能访问了，但是还是会受到网络的限制。Gradio 提供了一种非常方便的方式，可以使得本地的服务在任何地方都可以调用。代码上，我们只需要在 launch 方法调用时，指定 share 参数值为 True。服务除了有一个本地地址，还有一个公网的地址https://11886.gradio.app，虽然时间只有72小时
demo.launch(inbrowser=True, inline=False, validate=False, share=True)
复制代码
inbrowser - 模型是否应在新的浏览器窗口中启动。
inline - 模型是否应该嵌入在交互式 python 环境中（如 jupyter notebooks 或 colab notebooks）。
validate - gradio 是否应该在启动之前尝试验证接口模型兼容性。
share - 是否应创建共享模型的公共链接。用于处理。
参考链接：
Gradio官方仓库
基于Gradio可视化部署机器学习应用
gradio官方文档
![Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)](https://static001.geekbang.org/infoq/1f/1f9a17d4ca78170b01e5aceaee1092fb.jpeg)
![Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)_人工智能_汀丶_InfoQ写作社区](https://static001.infoq.cn/static/infoq/img/logo-121-75.yuij86g.png){kind=logo}
评论