29.4K star! 仅需几行代码快速构建机器学习 Web 应用项目，无需前端技能!

大家好，我是狂师！

今天给大家推荐一款开源的Python库：Gradio！

Gradio是一个开源的Python库，用于创建机器学习和数据科学的交互式应用和演示。

项目地址：

https://github.com/gradio-app/gradio

1、项目介绍

Gradio旨在简化展示和测试机器学习模型的过程，它允许用户通过构建漂亮的界面来展示其模型，而无需编写复杂的前端代码。通过Gradio，可以快速地为模型创建Web界面，并支持多种类型的输入和输出，如文本、图像和音频。这个库非常适合于快速迭代开发和用户反馈获取，以及在教学和展示中与观众互动。

通过提供简单的API，Gradio可以在几行代码中将任何Python函数转换为一个Web应用程序，无需前端开发经验。

2、工具用途

Gradio的主要用途包括：

• 展示和测试机器学习模型：通过创建具有输入字段（如文本输入或图像上传）和输出字段（如模型预测结果）的界面，用户可以直接与模型进行交互，从而测试和验证模型的性能。
• 演示机器学习模型：Gradio可以帮助开发者向客户、合作者和学生展示机器学习模型的功能和应用场景。通过创建简单漂亮的用户界面，可以更好地展示模型的预测效果和可视化结果。
• 快速部署模型：通过自动共享链接，Gradio可以快速部署机器学习模型，并使其在互联网上可用。这使得开发者可以轻松地与团队成员、合作伙伴或用户共享模型，并收集他们对模型性能的反馈。
• 交互式调试模型：在开发过程中，Gradio提供了内置的操作和解释工具，允许开发者交互式地调试机器学习模型。

3、安装、使用

可以使用pip进行安装，安装之前要确保python版本大于 3.8。

pip install gradio

示例1: 牛刀小试

import gradio as gr

def greet(name, intensity):
    return "Hello " * intensity + name + "!"

demo = gr.Interface(
    fn=greet,
    inputs=["text", "slider"],
    outputs=["text"],
)

demo.launch()

运行之后，在浏览器打开http://localhost:7860/即可访问web程序

示例2：生成外网地址

import gradio as gr

def greet(name):
    return "Hello " + name + "!"

demo = gr.Interface(fn=greet, inputs="textbox", outputs="textbox")

demo.launch(share=True)  # Share your demo with just 1 extra parameter

运行时候，就会自动生成一个URL链接，类似https://a23dsf231adb.gradio.live，可以将这个链接发给别人进行访问使用。当然你也可以选择将应用部署到云服务器。

示例3: 和FastAPI框架集成

from fastapi import FastAPI
import gradio as gr

CUSTOM_PATH = "/gradio"

app = FastAPI()

@app.get("/")
def read_main():
    return {"message": "This is your main app"}

io = gr.Interface(lambda x: "Hello, " + x + "!", "textbox", "textbox")
app = gr.mount_gradio_app(app, io, path=CUSTOM_PATH)

# Run this from the terminal as you would normally start a FastAPI app: `uvicorn run:app`
# and navigate to http://localhost:8000/gradio in your browser.

示例4: 一个更为完整的示例

import os
from authlib.integrations.starlette_client import OAuth, OAuthError
from fastapi import FastAPI, Depends, Request
from starlette.config import Config
from starlette.responses import RedirectResponse
from starlette.middleware.sessions import SessionMiddleware
import uvicorn
import gradio as gr

app = FastAPI()

# Replace these with your own OAuth settings
GOOGLE_CLIENT_ID = "..."
GOOGLE_CLIENT_SECRET = "..."
SECRET_KEY = "..."

config_data = {'GOOGLE_CLIENT_ID': GOOGLE_CLIENT_ID, 'GOOGLE_CLIENT_SECRET': GOOGLE_CLIENT_SECRET}
starlette_config = Config(environ=config_data)
oauth = OAuth(starlette_config)
oauth.register(
    name='google',
    server_metadata_url='https://accounts.google.com/.well-known/openid-configuration',
    client_kwargs={'scope': 'openid email profile'},
)

SECRET_KEY = os.environ.get('SECRET_KEY') or "a_very_secret_key"
app.add_middleware(SessionMiddleware, secret_key=SECRET_KEY)

# Dependency to get the current user
def get_user(request: Request):
    user = request.session.get('user')
    if user:
        return user['name']
    return None

@app.get('/')
def public(user: dict = Depends(get_user)):
    if user:
        return RedirectResponse(url='/gradio')
    else:
        return RedirectResponse(url='/login-demo')

@app.route('/logout')
async def logout(request: Request):
    request.session.pop('user', None)
    return RedirectResponse(url='/')

@app.route('/login')
async def login(request: Request):
    redirect_uri = request.url_for('auth')
    # If your app is running on https, you should ensure that the
    # `redirect_uri` is https, e.g. uncomment the following lines:
    #
    # from urllib.parse import urlparse, urlunparse
    # redirect_uri = urlunparse(urlparse(str(redirect_uri))._replace(scheme='https'))
    return await oauth.google.authorize_redirect(request, redirect_uri)

@app.route('/auth')
async def auth(request: Request):
    try:
        access_token = await oauth.google.authorize_access_token(request)
    except OAuthError:
        return RedirectResponse(url='/')
    request.session['user'] = dict(access_token)["userinfo"]
    return RedirectResponse(url='/')

with gr.Blocks() as login_demo:
    gr.Button("Login", link="/login")

app = gr.mount_gradio_app(app, login_demo, path="/login-demo")

def greet(request: gr.Request):
    return f"Welcome to Gradio, {request.username}"

with gr.Blocks() as main_demo:
    m = gr.Markdown("Welcome to Gradio!")
    gr.Button("Logout", link="/logout")
    main_demo.load(greet, None, m)

app = gr.mount_gradio_app(app, main_demo, path="/gradio", auth_dependency=get_user)

if __name__ == '__main__':
    uvicorn.run(app)

4、小结

Gradio通过提供一个简洁的API和直观的界面，降低了创建交互式机器学习应用的技术门槛，特别适合入门级开发者和初学者使用。它的设计理念在于让开发者能够专注于模型的功能和性能，而不是耗费大量时间在界面设计和代码复杂化上。因此，无论是教学、研究还是商业演示，Gradio都是一个非常有价值的工具。

总的来说，你可以不用，但是你不能不知道，脑海里多一个方案，在解题时就能多一种选择。