graido学习记录

为了将来部署！学tmd!

首先简单的打个招呼

import gradio as gr def greet(name): return "Hello " + name + "!" demo = gr.Interface(fn=greet, inputs="text", outputs="text") demo.launch()

表示输入输出都是文本“text”。

Interface 类可以用用户接口包装任意的Python函数。在上面的示例中，我们使用了一个基于文本的简单函数，但这个函数可以是任何东西。

Interface 类核心需要三个参数初始化：

fn : 被UI包装的函数inputs : 作为输入的组件 (例如： "text", "image" or "audio")outputs : 作为输出的组件 (例如： "text", "image" or "label")

如果希望它更大并有一个文本占位符。如果我们使用 Textbox 的实际类，而不是使用字符串快捷方式，就可以通过组件属性实现个性化。

import gradio as gr def greet(name): return "Hello " + name + "!" demo = gr.Interface( fn=greet, inputs=gr.Textbox(lines=2, placeholder="Name Here..."), outputs="text", ) demo.launch()

一个更复杂的函数，有多个输入和输出。比如下面例子，三个输入，两个输出,

输入：第一个为名字（text），第二个是选择项is_morning（checkbox）,第三个是滑动条，范围0-100（slider）

输出：第一个为打招呼方式（text），第二个为数字，保留两位小数。

import gradio as gr def greet(name, is_morning, temperature): salutation = "Good morning" if is_morning else "Good evening" greeting = f"{salutation} {name}. It is {temperature} degrees today" celsius = (temperature - 32) * 5 / 9 return greeting, round(celsius, 2) demo = gr.Interface( fn=greet, inputs=["text", "checkbox", gr.Slider(0, 100)], outputs=["text", "number"], ) demo.launch()

输入列表inputs中的每个组件依次对应函数的一个参数。输出列表outputs中的每个组件都对应于函数的一个返回值，两者均按顺序对应。

如何处理图像？

简单的处理~sepia

import numpy as np import gradio as gr def sepia(input_img): sepia_filter = np.array([ [0.393, 0.769, 0.189], [0.349, 0.686, 0.168], [0.272, 0.534, 0.131] ]) sepia_img = input_img.dot(sepia_filter.T) sepia_img /= sepia_img.max() return sepia_img demo = gr.Interface(sepia, gr.Image(), gr.Image()) demo.launch()

当使用Image组件作为输入时，您的函数将接收一个形状为 (height, width, 3) 的NumPy数组，其中最后一个维度表示RGB值。我们还将以NumPy数组的形式返回一张图像。你也可用 type= 关键字参数设置组件使用的数据类型。例如，如果你想让你的函数获取一个图像的文件路径，而不是一个NumPy数组时，输入 Image 组件可以写成：

gr.Image(type="filepath", shape=...) import numpy as np import gradio as gr from PIL import Image def sepia(input_img): input_img = Image.open(input_img) input_img = np.array(input_img) sepia_filter = np.array([ [0.393, 0.769, 0.189], [0.349, 0.686, 0.168], [0.272, 0.534, 0.131] ]) sepia_img = input_img.dot(sepia_filter.T) sepia_img /= sepia_img.max() return sepia_img demo = gr.Interface(sepia, gr.Image(type="filepath",sources="upload"), gr.Image()) demo.launch()

需要有些修改，传的是图片地址，需要转成np.array()

Blocks: 更加灵活且可控

Gradio 提供了两个类来构建应用程序

1. Interface，一个高级抽象。

2. Blocks，一个用于设计具有更灵活布局和数据流的web应用程序的初级API。block可以做许多事，比如特征化多个数据流和演示，控制组件在页面上出现的位置，处理复杂的数据流（例如，输出可以作为其他函数的输入），以及根据用户交互更新组件的属性/可见性，且仍然在Python中。

import gradio as gr def greet(name): return "Hello " + name + "!" with gr.Blocks() as demo: name = gr.Textbox(label="Name") output = gr.Textbox(label="Output Box") greet_btn = gr.Button("Greet") greet_btn.click(fn=greet, inputs=name, outputs=output) demo.launch()

不用像interface一样一次性就所有输入都输入，可以有中间状态，可读性和灵活性增加。

blocks可以有更多的可能性

import numpy as np import gradio as gr def flip_text(x): return x[::-1] def flip_image(x): return np.fliplr(x) with gr.Blocks() as demo: gr.Markdown("Flip text or image files using this demo.") with gr.Tabs(): with gr.TabItem("Flip Text"): text_input = gr.Textbox() text_output = gr.Textbox() text_button = gr.Button("Flip") with gr.TabItem("Flip Image"): with gr.Row(): image_input = gr.Image() image_output = gr.Image() image_button = gr.Button("Flip") text_button.click(flip_text, inputs=text_input, outputs=text_output) image_button.click(flip_image, inputs=image_input, outputs=image_output) demo.launch()

作用就是对输入的字符串反转，对输入的图像翻转，也就是镜像。

你可以通过设置的参数来控制单次处理的请求数queue()

demo = gr.Interface(...).queue(default_concurrency_limit=5) demo.launch() with gr.Blocks().queue(default_concurrency_limit=5) as demo: pass demo.launch() 流式输出

如若希望传输一系列输出，而不是一次显示单个输出。例如，您可能有一个图像生成模型，并且想要显示在每个步骤生成的图像，直至最终图像。或者您可能有一个聊天机器人，它一次流式传输一个令牌的响应，而不是一次返回所有令牌。

在这种情况下，您可以向 Gradio 提供一个生成器函数，而不是常规函数。在 Python 中创建生成器非常简单：return函数应该是yield一个一系列值，而不是单个值。通常，yield语句放在某种循环中。下面是一个简单地计数到给定数字的生成器示例

def my_generator(x): for i in range(x): yield i

直接看例子，伪diffusion()

import gradio as gr import numpy as np import time def fake_diffusion(steps): rng = np.random.default_rng() for i in range(steps): time.sleep(1) image = rng.random(size=(600, 600, 3)) yield image image = np.ones(shape=(600, 600, 3), dtype=np.uint8) image[:] = [255, 0, 255] yield image with gr.Blocks() as demo: input = gr.Slider(1, 10,3,step=1) ouput = gr.Image() diffusion_btn = gr.Button("fake_diffusion") diffusion_btn.click(fake_diffusion, inputs=input, outputs=ouput) demo.launch()

伪扩散模型，希望模拟扩散模型的一个过程，输入扩散有多少步， 输出图像

输入图像随机，使用rng = np.random.default_rng()

                                image = rng.random(size = (600, 600, 3)) 生成随机图像。