• 时间:
  • 分类: None
  • 标签: None
  • 阅读(741)
  • 👍推荐(0)
  • 评论(0)

简介

在训练好模型之后，往往需要将其搭建为一个服务，使得他人能够进行调用。最常见的方案，可能就是借助flask、fastapi等配置较为容易web框架进行服务搭建。但是，根据需求，有时不仅会让我们搭建一个基本的服务，还需要进行前端样式配置，比如毕设的演示系统。笔者作为一名算法人员，前端的知识不能说不会，但是每次写前端的内容，都会有些力不从心。还记得笔者在研究生毕业时搭建的演示系统，一通操作，最后的效果也还是有些差强人意。

那么，有没有一款能够快速搭建演示系统的工具的呢？答案是有的，本章节将要讲解的Gradio便是一款非常简洁易用的演示系统搭建工具。只需要几行代码，便可以得到一个效果非常好的演示系统。

本章节中，将介绍如何使用Gradio搭建演示系统，下面让我们开始吧！

环境配置

直接使用pip进行gradio的安装即可

pip install gradio

快速启动

在Gradio中搭建一个实用的自然语言处理应用最少只需要三行代码！

下面，让我们三行代码来搭建一个文本分类模型的演示系统，这里使用的模型是uer/roberta-base-finetuned-dianping-chinese,代码如下

# 导入gradio
import gradio as gr
# 导入transformers相关包
from transformers import *
# 通过Interface加载pipeline并启动服务
gr.Interface.from_pipeline(pipeline("text-classification", model="uer/roberta-base-finetuned-dianping-chinese")).launch()

直接运行即可，运行后，服务默认会启动在本地的7860端口，输入http://127.0.0.1:7860/，即可得到如下的界面，非常的干净简洁

我们可以在左侧输入待分类文本，而后点击submit按钮，右侧便会展示出预测的标签及概率，如下图所示

有些简单是不是，那如果是阅读理解任务呢？我们只需要修改pipeline的内容即可。

# 导入gradio
import gradio as gr
# 导入transformers相关包
from transformers import *
# 通过Interface加载pipeline并启动服务
gr.Interface.from_pipeline(pipeline("question-answering", model="uer/roberta-base-finetuned-dianping-chinese")).launch()

再次打开http://127.0.0.1:7860/,可以看到界面中除了几个按钮外的内容全部进行了更新，变成了阅读理解相关的内容，输入部分包括了context和question两部分，输出也变成了answer和score两部分

同样，我们也可以输入一个示例，看下效果

完善页面

尽管我们快速的启动了一个demo，但是页面整体还是较为简陋的，除了标题和实际的调用部分，缺少一些其他内容，我们可以通过配置几个简单的参数，将页面进行完善，还是以阅读理解任务为例，代码如下：

import gradio as gr
from transformers import *
# 标题
title = "抽取式问答"
# 标题下的描述，支持md格式
description = "输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！"
# 输入样例
examples = [
["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "著名诗歌《假如生活欺骗了你》的作者是"],
["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "普希金创作的叙事诗叫什么"]
]
# 页面最后的信息，可以选择引用文章，支持md格式
article = "感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)"
gr.Interface.from_pipeline(
pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa"),
title=title, description=description, examples=examples, article=article).launch()

运行上述代码，将看到如下页面，这里的example是可以点击的，点击后将自动填充至context和question中

由于description和article字段支持md语法，因此我们可以根据需求，自行的去丰富完善各部分内容，这里就不再过多介绍了。

Interface使用

前面的内容中，我们构建演示系统都是基于pipeline的，各个部分的模块都是定义好的，快速启动的同时，在灵活性上有所欠缺，那么我们该如何自定义的去构建演示系统呢？

简单的说，就需要两步：第一步，定义执行函数；第二步，绑定执行函数并指定输入输出组件。

假设还是阅读理解任务，但是我们这次不适用基于pipeline的加载方式，而是自定义实现，要求输入包含context、question，输出包含answer和score，但是这里的answer要求要把问题拼接上，如前面的示例，answer为普希金，这里的答案要变为：著名诗歌《假如生活欺骗了你》的作者是：普希金 ，针对这一需求，我们看下要如何实现。

首先，定义执行函数。该函数输入包括context和question两部分，输出包括answer和score，本质上还是调用pipeline进行推理，但是在答案生成时我们做了额外的拼接处理。

qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")
def custom_predict(context, question):
answer_result = qa(context=context, question=question)
answer = question + ": " + answer_result["answer"]
score = answer_result["score"]
return answer, score

接下来，在Interface中绑定执行函数并指定输入输出组件，fn字段绑定执行函数；inputs字段指定输入组件，这里是context和question两个文本输入，因此inputs字段的值为["text", "text"]数组（这里的text表示输入组件为TextBox，text只是一种便捷的指定方式）；outputs字段指定输出组件，answer是文本输出，score可以用标签输出，这里采取了和inputs字段不一样的创建方式，我们直接创建了对应的组件，这种方式的使用优势在于可以对组件进行更精细的配置，例如这里我们便分别指定了两个输出模块的label 。

gr.Interface(fn=custom_predict, inputs=["text", "text"], outputs=[gr.Textbox(label="answer"), gr.Label(label="score")],
title=title, description=description, examples=examples, article=article).launch()
1、输入输出要与函数的输入输出个数一致
2、outputs字段，推荐使用创建的方式，否则页面显示的标签都是output*，不够清晰

接下来，便可以进行运行啦~

可以看到，其他的部分与我们使用pipeline创建的方式都一致，只是在answer部分有了变化。

通过这种方式，我们可以创建出更加复杂的包含任意输入、输出的系统。

关于具体可以使用哪些组件，可以参考官方的文档。

Blocks使用

事实上，Interface是一个更加高级的组件，虽然它已经支持了了一定的自定义内容，但是灵活性还是略差一些，如果有注意的话，可以回到上文看下，所有的组件都是被划分为了左右两部分，左侧输入，右侧输出。使用Interface就要接受这样的默认设定，那么假设你现在就想做成上下结构，上面输入，下面输出，那么，我们就需要用到Block。

Blocks是比Interface更加底层一些的模块，支持一些简单的自定义排版，那么下面就让我们来重构一下上面组件排列。

整体是上下结构，从上到下，依次是context输入、question输入，clear按钮和submit按钮（在一横排），answer输出，score输出，其余如title、examples等内容不变，代码如下

import gradio as gr
from transformers import *
title = "抽取式问答"
description = "输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！"
examples = [
["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "著名诗歌《假如生活欺骗了你》的作者是"],
["普希金从那里学习人民的语言，吸取了许多有益的养料，这一切对普希金后来的创作产生了很大的影响。这两年里，普希金创作了不少优秀的作品，如《囚徒》、《致大海》、《致凯恩》和《假如生活欺骗了你》等几十首抒情诗，叙事诗《努林伯爵》，历史剧《鲍里斯·戈都诺夫》，以及《叶甫盖尼·奥涅金》前六章。", "普希金创作的叙事诗叫什么"]
]
article = "感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)"
# 预测函数
qa = pipeline("question-answering", model="uer/roberta-base-chinese-extractive-qa")
def custom_predict(context, question):
answer_result = qa(context=context, question=question)
answer = question + ": " + answer_result["answer"]
score = answer_result["score"]
return answer, score
# 清除输入输出
def clear_input():
return "", "", "", ""
# 构建Blocks上下文
with gr.Blocks() as demo:
gr.Markdown("# 抽取式问答")
gr.Markdown("输入上下文与问题后，点击submit按钮，可从上下文中抽取出答案，赶快试试吧！")
with gr.Column(): # 列排列
context = gr.Textbox(label="context")
question = gr.Textbox(label="question")
with gr.Row(): # 行排列
clear = gr.Button("clear")
submit = gr.Button("submit")
with gr.Column(): # 列排列
answer = gr.Textbox(label="answer")
score = gr.Label(label="score")
# 绑定submit点击函数
submit.click(fn=custom_predict, inputs=[context, question], outputs=[answer, score])
# 绑定clear点击函数
clear.click(fn=clear_input, inputs=[], outputs=[context, question, answer, score])
gr.Examples(examples, inputs=[context, question])
gr.Markdown("感兴趣的小伙伴可以阅读[Transformers实用指南](https://zhuanlan.zhihu.com/p/548336726)")
demo.launch()

运行代码，我们便可以在浏览器中看到如下样式

整体来看，Blocks的代码确实是比Interface的代码要复杂一些，但是整理的逻辑是类似的，可以根据需要，选择合适的使用方式。

分享服务

最后要介绍的一点内容非常简单，也非常有意思。

当我们的服务启动起来后，还是在本地的，虽然访问是能访问了，但是还是会受到网络的限制。

Gradio提供了一种非常方便的方式，可以使得本地的服务在任何地方都可以调用。

代码上，我们只需要在launch方法调用时，指定share参数值为True。

而后，启动程序，便可以看到这样的输出

我们的服务除了有一个本地地址，还有一个公网的地址https://11886.gradio.app，虽然时间只有72小时。使用这个公网的地址，我们便可以在任何地方使用该服务，笔者使用手机打开了该链接，效果如下

总结

本章节中介绍了Gradio的基本使用，内容也比较浅，Gradio能做的还远不止这些，内容感兴趣的小伙伴们可以自行到官网中查阅~