Caracteristici avansate ale Interface

Acum că putem construi și partaja o interfață de bază, să explorăm câteva caracteristici mai avansate precum starea și interpretarea.

Folosirea stării pentru a persista datele

Gradio are suport pentru starea sesiunii, unde datele persistă prin multiple trimiteri într-o încărcare de pagină. Starea sesiunii este utilă pentru construirea demo-urilor, de exemplu, chatbot-uri unde doriți să persistați datele pe măsură ce utilizatorul interacționează cu modelul. Rețineți că starea sesiunii nu partajează datele între diferiți utilizatori ai modelului dvs.

Pentru a stoca date într-o stare de sesiune, trebuie să faceți trei lucruri:

1. Transmiteți un parametru suplimentar în funcția dvs., care reprezintă starea interfeței.
2. La sfârșitul funcției, returnați valoarea actualizată a stării ca o valoare de returnare suplimentară.
3. Adăugați componentele de intrare ‘state’ și ieșire ‘state’ când creați Interface-ul dvs.

Vedeți exemplul de chatbot de mai jos:

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()

Observați cum starea componentei de ieșire persistă prin trimiteri. Notă: puteți transmite o valoare implicită la parametrul state, care este folosită ca valoarea inițială a stării.

Folosirea interpretării pentru a înțelege predicțiile

Majoritatea modelelor de machine learning sunt cutii negre și logica internă a funcției este ascunsă de utilizatorul final. Pentru a încuraja transparența, am făcut foarte ușor să adăugați interpretare la modelul dvs. prin simpla setare a cuvântului cheie interpretation în clasa Interface la default. Aceasta permite utilizatorilor dvs. să înțeleagă ce părți ale intrării sunt responsabile pentru ieșire. Aruncați o privire la interfața simplă de mai jos care arată un clasificator de imagini care include și interpretare:

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()

Testați funcția de interpretare prin trimiterea unei intrări apoi făcând clic pe Interpret sub componenta de ieșire.

Pe lângă metoda de interpretare implicită pe care o oferă Gradio, puteți specifica și shap pentru parametrul interpretation și să setați parametrul num_shap. Aceasta folosește interpretarea bazată pe Shapley, despre care puteți citi mai multe aici. În final, puteți transmite și propria funcție de interpretare în parametrul interpretation. Vedeți un exemplu în pagina de început a Gradio aici.

Aceasta încheie explorarea noastră profundă a clasei Interface din Gradio. Așa cum am văzut, această clasă face simplu să creați demo-uri de machine learning în câteva linii de cod Python. Cu toate acestea, uneori veți dori să personalizați demo-ul prin schimbarea layout-ului sau înlănțuirea mai multor funcții de predicție împreună. Nu ar fi frumos dacă am putea cumva să împărțim Interface-ul în “blocuri” personalizabile? Din fericire, se poate! Aceasta este tema secțiunii finale.