python Python–使用 Gradio 创建原型机器学习模型的用户界面

Python–使用 Gradio 创建原型机器学习模型的用户界面

原文:https://www . geesforgeks . org/python-create-UIS-for-prototype-machine-learning-model-with-gradio/

Gradio 是一个开源的 python 库，它允许您在短短几行代码中为您的 ML 模型、任何 API 或任何任意函数快速创建易于使用、可定制的 UI 组件。您可以将图形用户界面直接集成到您的 Python 笔记本中，也可以将链接共享给任何人。 要求:

例:

我们可以使用 gradio 创建与 Gradio 的接口。接口()函数。 gradio。接口(self，fn，输入，输出，示例=无，live =假， capture _ session =假，title =无，description =无) 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 True，则捕获默认图形和会话(Tensorflow 1.x 需要)
标题: (str)界面的标题；如果提供，则显示在输入和输出组件的上方。
描述: (str)接口的描述；如果提供，则显示在输入和输出组件的上方。
示例:(列表[列表[任意]])函数的示例输入；如果提供的话，会出现在 UI 组件的下方，并可用于填充界面。应该是嵌套列表，其中外部列表由样本组成，每个内部列表由对应于每个输入组件的输入组成。

界面的用户界面可以由 gradio 生成。接口，启动()功能。 gradio。 参数:

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

梯度的输入和输出参数有几个输入和输出分量。接口()。

代码:返回一个数的阶乘的函数。

Python 3

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 gradio 接口包装这个函数，请在同一个文件中编写以下代码。

Python 3

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

当你在 jupyter 笔记本上运行上述代码单元时。它会生成这样一个 UI:

你也可以复制链接并分享给任何人，它会在浏览器中打开相同的用户界面。现在，我们将向您展示如何为机器学习模型制作界面。为了演示，我们将加载一个预训练的带有张量流的初始网络图像分类模型。由于这是一个图像分类模型，我们将使用图像输入界面。我们将使用标签输出界面输出标签字典及其相应的置信度得分。 代码:

Python 3

# 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，它将生成如下用户界面: