原文：Gradio:快速构建你的webApp_Python_AIWeker_InfoQ写作社区

1. 什么是 Gradio

如果你了解 web 开发，一定会知道开发一款 webApp 需要涉及很多技术栈：

• 前端：HTML + CSS + JS (可能会涉及不同的 CSS 框架和 JS 框架如 jquery VUE react 等)

• 后端语言：如 python/java

• web 容器：如 flask/tomcat

如果你只会 python，又不想重头学习上述技术，你要怎么办？

据我所知，有两种解决方案：

• streamlit （https://streamlit.io/）

• Gradio （https://gradio.app/）

streamlit 之前我有介绍过，今天要分享的是Gradio, 提供的功能和 streamlit 类似，你只要会 python 就可以快速构建一个 webApp。

从上图可知，Gradio 定位是快速构建一个针对人工智能的 python 的 webApp 库，在 Hugging Face 等提供各种模型推理展示的平台广告使用，阿里的魔塔展示也是基于此。

大家思考下，Gradio 作为一款 python 库，底层逻辑是什么？

• 结果：Gradio 展示的还是 web 元素

• 过程：所以 Gradio 是即懂 python 又懂 web 开发（css/js/html)的开发者，通过 python 对这些 web 技术做了封装

• pipline：python 语言--> css/js/html

streamlit 应该也是如此，之前介绍过的 pyecharts 也是如此（封装的是百度的可视化框架 echarts。

开源牛人开发，方便你我，点赞！

2. 简单使用

我们来感受下 Gradio 的便捷之处。

安装：

• 要求 python>=3.7

pip install -U pip -i https://pypi.tuna.tsinghua.edu.cn/simplepip install gradio  -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

简单例子：

# app.pyimport gradio as gr
def greet(name):    return "Hello " + name + "!"
demo = gr.Interface(fn=greet, inputs="text", outputs="text")
demo.launch(server_name="0.0.0.0")
# 启动# python -u app.py# Running on local URL:  http://0.0.0.0:7860# To create a public link, set `share=True` in `launch()`

复制代码

上面的代码就是简单一个 webApp，功能是输入一个文本，输出一个文本。代码中关键点：

• 导入包 import gradio as gr

• gr.Interface 构建一个 app， 确定输入 inputs 和输出 outputs 的类型，已经处理输入 inputs 的函数（这个函数返回一个 outputs 的类型）

• 提供一个 app 的功能模块函数

• launch 启动一个 web 容器，对外提供服务

梳理下 web 渲染流程

• 根据输入输出类型（如 text）封装 html 组件（with css 样式，布局等）

• 点击 submit：通过 js 获取输入的值传递（ajax）给后台处理函数（greet），通过 js 回调函数接收函数的返回值，然后通过 js 赋值给 html 元素

3. 组件介绍

上面只是介绍了 Gradio 的简单的使用，Gradio 提供了丰富的 html 组件，如文本框，图像，视频，下拉框，单选框，复选框等等。

我们再来看一个在机器视觉推理比较常见的展示：输入一个图片，输出一个图片，并提供下载。

import gradio as grfrom transformers import DPTFeatureExtractor, DPTForDepthEstimationimport torchimport numpy as npfrom PIL import Imageimport open3d as o3dfrom pathlib import Pathimport os
feature_extractor = DPTFeatureExtractor.from_pretrained("Intel/dpt-large")model = DPTForDepthEstimation.from_pretrained("Intel/dpt-large")
def process_image(image_path):    image_path = Path(image_path)    image_raw = Image.open(image_path)    image = image_raw.resize(        (800, int(800 * image_raw.size[1] / image_raw.size[0])),        Image.Resampling.LANCZOS)
    # prepare image for the model    encoding = feature_extractor(image, return_tensors="pt")
    # forward pass    with torch.no_grad():        outputs = model(**encoding)        predicted_depth = outputs.predicted_depth
    ## ... 省略    return [img, gltf_path, gltf_path]
title = "Demo: zero-shot depth estimation with DPT + 3D Point Cloud"description = "This demo is a variation from the original DPT Demo. It uses the DPT model to predict the depth of an image and then uses 3D Point Cloud to create a 3D object."examples = [["examples/1-jonathan-borba-CgWTqYxHEkg-unsplash.jpg"]]
iface = gr.Interface(fn=process_image,                     inputs=[gr.Image(                         type="filepath", label="Input Image")],                     outputs=[gr.Image(label="predicted depth", type="pil"),                              gr.Model3D(label="3d mesh reconstruction", clear_color=[                                                 1.0, 1.0, 1.0, 1.0]),                              gr.File(label="3d gLTF")],                     title=title,                     description=description,                     examples=examples,                     allow_flagging="never",                     cache_examples=False)
iface.launch(debug=True, enable_queue=False)

复制代码

上面的代码忽略了一些模型推理的细节，主要关注渲染对应的结果就是 inputs 和 outputs。可知，

• inputs 和 outputs 都是可以多个，Gradio 根据类型展示相应的组件

• 其中：inputs 是 gr.Image 图像，对应的处理函数的参数为文件路径type="filepath"

• 其中：outputs 有三个输出（分布是图片，一个 3d 图片，一个是文件），这里的三个输出要对应处理函数的三个放回。三个输出会对应三个展示渲染，两个图片和一个文件下载

• 另外一个从展示结果看，最下面的位置有一个内部案例的列表 通过examples=examples参数，进行展示渲染，这是非常有用的，用来展示模型的最佳效果图。

更多的组件使用详见 API

• https://gradio.app/docs/

另外，可以通过.launch(share=True)来分享功能，这个功能可以生成一个域名，可以在外部直接访问。

4. 总结

本文简单分享了通过 python 库 Gradio 快速构建 webApp 的过程，总结如下：

• Gradio 的本质是封装 html+css+js 等组件的 python 库

• Gradio 最佳场景为：展示机器学习的推理效果（可交互）

• gr.Interface 来渲染效果，注意 inputs 和 outputs 就是待渲染的内容

• 记住详细组件 API：https://gradio.app/docs/