机器学习秒变小程序-技术圈

↑↑↑点击上方蓝字，回复资料，10个G的惊喜

今天我们来展示一款适合于机器学习的更轻量UI设计库--Gradio。它轻量但是绝对绝对绝对实用，一定要看到文末。

官方链接：https://www.gradio.app/

如果你想秒开发类似APP

Gradio的定位类似于Streamlit，但是更轻量(一行代码)，因为它推荐的应用场景都是对“单个函数”进行调用的应用，并且不需要对组件进行回调。比如下列场景（以下代码参考官方文档）：

Image Classifier （图像辨别）

用户可以上传一个图画或者手画一张图片，系统输出识别出的字符
用户拖拽上传一张图片，系统判定是阿猫还是阿狗，还是阿三

Text Analysis （文本分析）

用户输入文字，系统做出情感分析
用户输入多段文字，并且提出问题，系统回答问题(图中有彩蛋）

Webcam Analysis （视频/图像处理）

根据视频中截图进行人脸识别，输入为视频流（手动截图），输出为识别的人脸（可惜我的小黄鸭大脸没有被识别出，手动狗头.jpg)，有兴趣的可以去识别抖音大神。

Forecast 预测分析

比如输入某个国家COVID传播的R值，预测某个月特定条件下（是否保持社交距离等）的感染人数，可以看到该APP包含多组输入组件。

如果上面的应用场景符合你的需求，那就可以愉快的尝试Gradio了。

动手秒建APP

安装很简单，pip即可。

pip install gradio

问：使用Gradio创建APP统共需要几步？

答：三步！

我们以图像识别分类器APP为例，来讲解代码实现，以下代码参考官方文档。

第一步，导入gradio。

import gradio as grimport tensorflow as tf # 用于训练模型import numpy as npimport requests # 获取标签

第二步，定义模型（函数），确定输入和输出。

这里输入的参数为图像，输出为识别的结果。结果是一个字典类型，key值为标签，value 为该标签预测置信度。

inception_net = tf.keras.applications.InceptionV3() # load the model
# Download human-readable labels for ImageNet.response = requests.get("https://git.io/JJkYN")labels = response.text.split("\n") # 获取标签
def classify_image(inp):  inp = inp.reshape((-1, 299, 299, 3))  inp = tf.keras.applications.inception_v3.preprocess_input(inp)  prediction = inception_net.predict(inp).flatten()  return {labels[i]: float(prediction[i]) for i in range(1000)}

第三步，关联输入和输出到相应的组件，然后一键创建APP。

image = gr.inputs.Image(shape=(299, 299, 3))label = gr.outputs.Label(num_top_classes=3)gr.Interface(fn=classify_image, inputs=image, outputs=label, capture_session=True).launch()

我们需要给第二步的函数的输入参数（图像）关联Image 组件，这个组件允许用户上传和编辑图像。主要的参数是shape，用于裁剪图像的大小以适合机器学习模型识别。

函数的输出是分类问题的结果，包含不同类别的标签以及对应的置信度，这里采用Label组件来显示。当然输入输出还有其他组件，可以参考官方API文档。

创建APP只需要调用Interface 以及调用launch来运行。so easy！！！

运行APP

运行Python程序，系统自动弹出浏览器来显示APP。默认网址是本地IP以及7860端口。如果使用的是Jupyter notebook，则APP会嵌入到当前notebook中，如下图所示。