高级接口功能

现在我们可以构建和共享一个基本接口, 让我们来探索一些更高级的特性, 如状态和解释。

使用状态保存数据

Gradio 支持 会话状态, 其中数据在页面加载中的多个提交中持续存在。会话状态对于构建演示很有用, 例如, 你希望在用户与模型交互时保留数据的聊天机器人。请注意, 会话状态不会在模型的不同用户之间共享数据。

要将数据存储在会话状态中, 你需要做三件事:

向函数中传递一个 额外的参数 , 该参数表示接口的状态。
在函数结束时, 将状态的更新值作为 额外的返回值 返回。
在创建接口时添加 ‘state’ 输入和 ‘state’ 输出组件。

请参阅下面的聊天机器人示例:

import random

import gradio as gr


def chat(message, history):
    history = history or []
    if message.startswith("How many"):
        response = random.randint(1, 10)
    elif message.startswith("How"):
        response = random.choice(["Great", "Good", "Okay", "Bad"])
    elif message.startswith("Where"):
        response = random.choice(["Here", "There", "Somewhere"])
    else:
        response = "I don't know"
    history.append((message, response))
    return history, history


iface = gr.Interface(
    chat,
    ["text", "state"],
    ["chatbot", "state"],
    allow_screenshot=False,
    allow_flagging="never",
)
iface.launch()

请注意输出组件的状态如何在提交之间保持不变。注意: 可以给 state 参数传入一个默认值, 作为 state 的初始值。

通过解释来理解预测

大多数机器学习模型都是黑盒子, 函数的内部逻辑对终端用户是隐藏的。为了提高透明度, 我们通过简单地将 Interface 类中的解释关键字设置为默认值, 使向模型添加解释变得非常容易。这允许你的用户理解输入的哪些部分负责输出。看看下面这个简单的接口, 它显示了一个还包括解释的图像分类器:

import requests
import tensorflow as tf

import gradio as gr

inception_net = tf.keras.applications.MobileNetV2()  # load the model

# Download human-readable labels for ImageNet.
response = requests.get("https://git.io/JJkYN")
labels = response.text.split("\n")


def classify_image(inp):
    inp = inp.reshape((-1, 224, 224, 3))
    inp = tf.keras.applications.mobilenet_v2.preprocess_input(inp)
    prediction = inception_net.predict(inp).flatten()
    return {labels[i]: float(prediction[i]) for i in range(1000)}


image = gr.Image(shape=(224, 224))
label = gr.Label(num_top_classes=3)

title = "Gradio Image Classifiction + Interpretation Example"
gr.Interface(
    fn=classify_image, inputs=image, outputs=label, interpretation="default", title=title
).launch()

通过提交一个输入, 然后单击输出组件下的Interpret来测试解释功能。

除了Gradio提供的默认解释方法之外, 你还可以为 interpretation 参数指定 shap, 并设置 num_shap 参数。这使用基于 Shapley 的解释, 你可以在 here 阅读更多信息。最后, 还可以将自己的解释函数传入 interpretation 参数。在Gradio的入门页面 here 中可以看到一个例子。

这结束了我们对Gradio的Interface类的深入研究。正如我们所看到的, 这个类使用几行Python代码创建机器学习演示变得简单。然而, 有时你会想通过改变布局或链接多个预测函数来定制你的demo。如果我们能以某种方式将 接口 分成可定制的 “块”, 那不是很好吗? 幸运的是, 有! 这是最后一部分的主题。

NLP Course

高级接口功能

使用状态保存数据

通过解释来理解预测