NLP Course documentation

與他人分享演示

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

與他人分享演示

Open In Colab Open In Studio Lab

現在您已經構建了一個演示,您可能希望與其他人分享它。 梯度演示 可以通過兩種方式共享:使用 temporary share linkpermanent hosting on Spaces

我們將很快介紹這兩種方法。 但在分享演示之前,您可能需要完善它 💅.

打磨你的 Gradio 演示:

Overview of a gradio interface

為了給你的演示添加額外的內容,Interface 類支持一些可選參數:

  • title:你可以給你的演示一個標題,它出現在輸入和輸出組件的上方。
  • description:您可以為界面提供描述(文本、Markdown 或 HTML),顯示在輸入和輸出組件的上方和標題下方。
  • article:您還可以編寫擴展文章(文本、Markdown 或 HTML)來解釋界面。如果提供,它會出現在輸入和輸出組件的_下方。
  • theme:不喜歡默認顏色?將主題設置為使用 defaulthuggingfacegrasspeach 之一。您還可以添加 dark- 前綴,例如dark-peach 用於深色主題(或者只是 dark 用於默認的深色主題)。
  • examples:為了讓您的演示更易於使用,您可以為函數提供一些示例輸入。它們出現在 UI 組件下方,可用於填充界面。這些應該作為嵌套列表提供,其中外部列表​​由樣本組成,每個內部列表對應於每個輸入組件的輸入組成。
  • live:如果你想讓你的演示“活”,這意味著你的模型每次輸入更改時都會重新運行,你可以設置 live=True。這對使用快速模型很有意義(我們將在本節末尾看到一個示例) 使用上面的選項,我們最終得到了一個更完整的界面。 運行下面的代碼,以便與 Rick and Morty 聊天:
title = "Ask Rick a Question"
description = """
The bot was trained to answer questions based on Rick and Morty dialogues. Ask Rick anything!
<img src="https://huggingface.co./spaces/course-demos/Rick_and_Morty_QA/resolve/main/rick.png" width=200px>
"""

article = "Check out [the original Rick and Morty Bot](https://huggingface.co./spaces/kingabzpro/Rick_and_Morty_Bot) that this demo is based off of."

gr.Interface(
    fn=predict,
    inputs="textbox",
    outputs="text",
    title=title,
    description=description,
    article=article,
    examples=[["What are you doing?"], ["Where should we time travel to?"]],
).launch()

使用上面的選項,我們最終得到了一個更完整的界面。 試試下面的界面:

使用臨時鏈接分享您的演示

現在我們已經有了機器學習模型的工作演示,讓我們學習如何輕鬆共享指向我們界面的鏈接。 通過在 launch() 方法中設置 share=True 可以輕鬆地公開共享接口:

gr.Interface(classify_image, "image", "label").launch(share=True)

這會生成一個公開的、可共享的鏈接,您可以將其發送給任何人! 當您發送此鏈接時,另一方的用戶可以在瀏覽器中試用該模型長達 72 小時。 因為處理發生在您的設備上(只要您的設備保持開啟!),您不必擔心打包任何依賴項。 如果您使用 Google Colab 筆記本工作,則始終會自動創建共享鏈接。 它通常看起來像這樣:XXXXX.gradio.app。 雖然鏈接是通過 Gradio 鏈接提供的,但我們只是您本地服務器的代理,不會存儲通過接口發送的任何數據。

但是請記住,這些鏈接是可公開訪問的,這意味著任何人都可以使用您的模型進行預測! 因此,請確保不要通過您編寫的函數公開任何敏感信息,或允許在您的設備上發生任何關鍵更改。 如果設置 share=False(默認值),則僅創建本地鏈接。

在 Hugging Face Spaces 上託管您的演示

可以傳遞給同事的共享鏈接很酷,但是如何永久託管您的演示並讓它存在於互聯網上自己的“空間”中?

Hugging Face Spaces 提供了在互聯網上永久託管 Gradio 模型的基礎設施,免費! Spaces 允許您創建並推送到(公共或私人)存儲庫, 你的 Gradio 在哪裡 接口代碼將存在於 app.py 文件中。 閱讀分步教程 開始使用,或觀看下面的示例視頻。

✏️ 讓我們應用它!

使用到目前為止我們在各節中學到的知識,讓我們創建我們在本章第一節中看到的草圖識別演示。 讓我們為我們的界面添加一些自定義並設置 share=True 以創建一個我們可以傳遞的公共鏈接。

我們可以從 class_names.txt 加載標籤,並從 pytorch_model.bin加載預訓練的 pytorch 模型 。 通過點擊鏈接並單擊文件預覽左上角的下載來下載這些文件。 讓我們看看下面的代碼,看看我們如何使用這些文件來加載我們的模型並創建一個predict()函數:

from pathlib import Path
import torch
import gradio as gr
from torch import nn

LABELS = Path("class_names.txt").read_text().splitlines()

model = nn.Sequential(
    nn.Conv2d(1, 32, 3, padding="same"),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(32, 64, 3, padding="same"),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(64, 128, 3, padding="same"),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Flatten(),
    nn.Linear(1152, 256),
    nn.ReLU(),
    nn.Linear(256, len(LABELS)),
)
state_dict = torch.load("pytorch_model.bin", map_location="cpu")
model.load_state_dict(state_dict, strict=False)
model.eval()


def predict(im):
    x = torch.tensor(im, dtype=torch.float32).unsqueeze(0).unsqueeze(0) / 255.0
    with torch.no_grad():
        out = model(x)
    probabilities = torch.nn.functional.softmax(out[0], dim=0)
    values, indices = torch.topk(probabilities, 5)
    return {LABELS[i]: v.item() for i, v in zip(indices, values)}

現在我們有了一個predict()函數。 下一步是定義並啟動我們的漸變界面:

interface = gr.Interface(
    predict,
    inputs="sketchpad",
    outputs="label",
    theme="huggingface",
    title="Sketch Recognition",
    description="Who wants to play Pictionary? Draw a common object like a shovel or a laptop, and the algorithm will guess in real time!",
    article="<p style='text-align: center'>Sketch Recognition | Demo Model</p>",
    live=True,
)
interface.launch(share=True)

注意 Interface 中的 live=True 參數,這意味著草圖演示使 每次有人在畫板上畫畫時的預測(沒有提交按鈕!)。

此外,我們還在 launch() 方法中設置了 share=True 參數。 這將創建一個公共鏈接,您可以發送給任何人! 當您發送此鏈接時,對方的用戶可以嘗試草圖識別模型。 重申一下,您還可以在 Hugging Face Spaces 上託管模型,這就是我們能夠嵌入上面的演示的方式。

接下來,我們將介紹 Gradio 可用於 Hugging Face 生態系統的其他方式!