使用gradio，只需在原有的代码中增加几行,快速部署机器学习模型，就能自动化生成交互式web页面，并支持多种输入输出格式，比如图像分类中的图>>标签，超分辨率中的图>>图等。

同时还支持生成能外部网络访问的链接，能够迅速让你的朋友，同事体验你的算法。

参考

1. https://gradio.app/demos/
2. https://www.machinelearningnuggets.com/gradio-tutorial/
3. https://gradio.app/quickstart/

文章目录

• 参考
• 安装
• 一、简单的欢迎界面分析——（输入文字UI+ 函数处理+输出文字）
• • UI操作效果
  • 分析
  • 使用控件函数设置控件的参数
  • 多UI控件输入、输出
  • 二、简单界面控件组合
  • • 2.1 多个tags界面，（不同输入输出功能）
    • • 多tags代码
      • 2.2 进度条显示函数处理时间（process）
      • • 2.2 进度条代码
        • 三、`图像`相关操作、`模型部署`
        • • 3.1 对上传图片，直接处理
          • 3.2 分类模型UI部署 （需要安装pytorch环境）
          • • 下载模型界面（可手动）
            • 代码
            • 附录
            • • 端口被占用 [Errno 10048] error while attempting to bind on address
              • • 解决方法1 （指定打开的端口）
                • 解决方法2
                • • 找到占用端口+杀死

                    安装

                    注意，不要把python文件与

                    pip install gradio
                    

                    一、简单的欢迎界面分析——（输入文字UI+ 函数处理+输出文字）

                    逻辑：输入UI中的参数，提交后自动传入绑定的函数，

                    其中 “text” 表示输入输出UI控件是文本框。

                    import gradio as gr
                    def greet(name):
                        return "Hello " + name + "!"
                    demo = gr.Interface(fn=greet,inputs="text", outputs="text")
                    demo.launch()
                    '''
                    如果需要在服务器部署后，局域网访问, 修改为：
                    '''
                    # demo.queue().launch( server_name="0.0.0.0"）
                    

                    UI操作效果

                    默认启动 ，如果7860已经占用，自动变为7861，如果端口无法启动 。。 端口被占用时，可指定端口

                    demo.launch(server_port=30001)

                    http://127.0.0.1:7860/
                    

                    动效

                    

                    分析

                    在上面的例子中，我们看到一个简单的基于文本的函数

                    gr.InterfaceInterface 核心类使用三个必需参数进行初始化：Interface

                    fn：将 UI 包裹起来的函数，该函数可以是任何功能，从音乐生成器到税收计算器，再到预训练机器学习模型的预测函数

                    inputs：用于输入的组件（例如，或"text"，“image”，“audio”)

                    outputs：用于输出的组件（例如，或"text"，“image”，“label”)

                    使用控件函数设置控件的参数

                    设置2行文本宽度，文本框的内的提示词

                    import gradio as gr
                    def greet(name):
                        return "Hello " + name + "!"
                    demo = gr.Interface(
                        fn=greet,
                        inputs=gr.Textbox(lines=2, placeholder="这里是提示文本框输入的内容..."),
                        outputs="text",
                    )
                    demo.launch()
                    

                    UI界面

                    

                    多UI控件输入、输出

                    3个UI控件作为输入，2个输出，

                    输入名字，是否是早晨，今天的温度，

                    自动输入问候以及华氏温度与摄氏温度的转换

                    

                    import gradio as gr
                    def greet(name, is_morning, temperature):
                        # salutation表示致意、问候
                        salutation = "Good morning" if is_morning else "Good evening"
                        greeting = f"{salutation} {name}. It is {temperature} degrees today"
                        # 摄氏温度 = (华氏温度 – 32) ÷ 1.8
                        celsius = (temperature - 32) * 5 / 9
                        return greeting, round(celsius, 2)
                    demo = gr.Interface(
                        fn=greet,
                        inputs=["text", "checkbox", gr.Slider(0, 100,label="华氏温度")],
                        outputs=["text", "number"],
                    )
                    demo.launch(server_port=30001)
                    

                    二、简单界面控件组合

                    

                    2.1 多个tags界面，（不同输入输出功能）

                    每个tags的功能、输入输出控件科技不同、且独立

                    

                    多tags代码

                    import gradio as gr
                    #app 1
                    def user_greeting(name):
                        return "Hi! " + name + " Welcome !!😎"
                    #app 2
                    def user_help(value):
                        return f"you pick {value} "
                    def tags3(img):
                        return img
                    # tags1的输入、输出，以及对应处理函数
                    app1 =  gr.Interface(fn = user_greeting, inputs="text", outputs="text")
                    # tags1的输入、输出，以及对应处理函数
                    app2 =  gr.Interface(fn = user_help, inputs="slider", outputs="text")
                    # tags1的输入、输出，以及对应处理函数
                    app3 =  gr.Interface(fn = tags3, inputs="image", outputs="image")
                    demo = gr.TabbedInterface(
                                              [app1, app2,app3],
                                              tab_names=["第一个界面", "第二个界面","tags3_图像"],
                                              title="多选项卡demo"
                                              )
                    demo.launch()
                    

                    2.2 进度条显示函数处理时间（process）

                    进度条可以反映某些变量的值

                    

                    2.2 进度条代码

                    import gradio as gr
                    import time
                    # from https://gradio.app/docs/#progress
                    def my_function(x=10, progress_demo=gr.Progress()):
                        x=int(x)
                        progress_demo(0, desc="Starting...")
                        time.sleep(1)
                        for i in progress_demo.tqdm(range(x)):
                            time.sleep(0.1)
                        res=f'run {x} steps'
                        return res
                    gr.Interface(my_function,
                                 gr.Number(),
                                 gr.Textbox()).queue().launch()
                    

                    三、图像相关操作、模型部署

                    3.1 对上传图片，直接处理

                    上传一张图片，输入为灰度图像，其中处理函数可以修改为自己的。

                    ### 完整代码

                    import numpy as np
                    import gradio as gr
                    from PIL import Image
                    def gray(input_img):
                        # 灰度值 = 0.2989 * R + 0.5870 * G + 0.1140 * B
                        # image[..., :3]表示提取图像的前三个通道（即R、G、B通道）
                        # 省略号可以在索引中表示对应维度的完整范围。
                        gray = np.dot(input_img[..., :3], [0.2989, 0.5870, 0.1140])
                        gray = gray.astype(np.uint8)  # 将灰度图像转换为无符号整型 ,如果不加一般会报错
                        # pil_image = Image.fromarray(gray)  # 将灰度图像数组转换为PIL图像对象
                        return gray
                    demo = gr.Interface(gray, gr.inputs.Image(), outputs="image")
                    demo.launch(server_port=7862)
                    '''
                    如果需要在服务器部署后，局域网访问, 添加服务名 server_name 修改为：
                    '''
                    # demo.queue().launch( server_name="0.0.0.0"）
                    

                    3.2 分类模型UI部署 （需要安装pytorch环境）

                    

                    下载模型界面（可手动）

                    Downloading: “https://github.com/pytorch/vision/zipball/v0.6.0” to C:\Users\admin/.cache\torch\hub\v0.6.0.zip

                    Downloading: “https://download.pytorch.org/models/resnet18-f37072fd.pth” to C:\Users\admin/.cache\torch\hub\checkpoints\resnet18-f37072fd.pth

                    代码

                    import gradio as gr
                    import torch
                    import requests
                    from torchvision import transforms
                    model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True).eval()
                    response = requests.get("https://git.io/JJkYN")
                    labels = response.text.split("\n")
                    print('labels',labels)
                    def predict(inp):
                      inp = transforms.ToTensor()(inp).unsqueeze(0)
                      with torch.no_grad():
                        prediction = torch.nn.functional.softmax(model(inp)[0], dim=0)
                        confidences = {labels[i]: float(prediction[i]) for i in range(1000)}
                      return confidences
                    demo = gr.Interface(fn=predict,
                                 inputs=gr.inputs.Image(type="pil"),
                                 outputs=gr.outputs.Label(num_top_classes=3),
                                 # examples=[["cheetah.jpg"]],
                                 )
                    demo.launch(server_port=7865)
                    

                    附录

                    端口被占用 [Errno 10048] error while attempting to bind on address

                    ERROR: [Errno 10048] error while attempting to bind on address (‘127.0.0.1’, 7860): 通常每个套接字地址(协议/网络地址/端口)只允许使用一次。

                    解决方法1 （指定打开的端口）

                    server_port=xxx

                    ...........
                    demo.launch(server_port=30001)
                    

                    解决方法2

                    打开命令端

                    

                    找到占用端口+杀死

                    netstat -ano|findstr "7860"
                    taskkill  -F -PID your_id