Gradio安装配置及经典案例说明

1. Gradio 基本介绍

1.1 定义与核心概念

Gradio 是一个开源的 Python 库，用于为 机器学习 模型和函数创建交互式网页界面。它成立于 2020 年，由 Ali Faisal、Hamza Khan 和 Muhammad Furqan 持续开发，最新稳定版本为 5.49.1。

# 示例：查看当前安装的 Gradio 版本 import gradio as gr print(f"当前 Gradio 版本: {gr.__version__}")

1.2 主要特点

Gradio 具有以下核心特点：

1. 简单易用：通过几行代码即可创建完整的 Web 界面
2. 丰富组件：提供 30 多种预构建组件，包括音频、摄像头、麦克风、绘图工具等
3. 美观界面：即使没有前端知识，也能生成美观的界面
4. 易于分享：可以生成公共链接与他人分享，实现远程交互
5. 跨平台运行：支持本地运行、Google Colab、远程服务器等多环境

1.3 适用场景

Gradio 广泛应用于以下场景：

• 机器学习模型演示与测试
• 创建机器学习 API 和 Web 应用程序
• 数据科学项目可视化展示
• 快速原型设计和迭代
• 教育和研究中的模型展示

2. 安装与环境配置

2.1 基本安装方法

Gradio 可通过 pip 或 conda 轻松安装：

# 基本安装 pip install gradio # 或使用 conda conda install -c conda-forge gradio # 指定版本安装（推荐使用最新稳定版） pip install gradio==5.49.1

2.2 虚拟环境配置

推荐在虚拟环境中安装 Gradio，以避免依赖冲突：

# 创建虚拟环境（Python 3.9 为例） python -m venv gradio-env # 激活虚拟环境（Windows） gradio-env\Scripts\activate # 激活虚拟环境（Linux/Mac） source gradio-env/bin/activate # 安装 Gradio pip install gradio

2.3 环境要求

Gradio 需要 Python 3.7 或更高版本。同时，根据应用复杂度，可能需要安装额外的依赖：

# 安装常见依赖 pip install numpy pandas scikit-learn tensorflow torch

3. 基础使用方法

3.1 创建第一个 Gradio 应用

以下是 Gradio 的最基本用法示例：

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

此示例会创建一个简单的文本输入界面，用户输入姓名后，系统会返回问候语。

3.2 核心组件

Gradio 的核心组件包括：

1. Interface: 最高级 API，可用于快速创建完整应用
2. Blocks: 低级 API，提供更精细的控制，可自定义布局和数据流
3. 各种输入组件: 如gr.Textbox,gr.Image,gr.Audio等
4. 各种输出组件: 如gr.outputs.Textbox,gr.outputs.Image等

3.3 使用 Interface 创建应用

Interface 是 Gradio 最主要的高级类，允许你快速为 Python 函数创建 Web 界面 ：

import gradio as gr from PIL import Image import requests def invert_image(image): """将图像反转""" if image is None: return None img = Image.open(image) inverted_img = ImageOps.invert(img.convert('RGB')) return inverted_img demo = gr.Interface( fn=invert_image, inputs=gr.Image(label="上传图像"), outputs=gr.Image(label="反转后的图像"), title="图像反转工具", description="上传一张图像，将其颜色反转！" ) demo.launch()

4. 创建交互式界面

4.1 使用 Interface 快速创建

Interface 的基本用法非常直观，需要三个核心参数：

• fn: 要封装的函数
• inputs: 输入组件
• outputs: 输出组件

import gradio as gr import numpy as np import matplotlib.pyplot as plt def plot_sine_wave(freq, amplitude, phase): """生成正弦波图像""" x = np.linspace(0, 2 * np.pi, 100) y = amplitude * np.sin(2 * np.pi * freq * x + phase) plt.figure(figsize=(10, 6)) plt.plot(x, y) plt.title(f"正弦波 - 频率: {freq}, 振幅: {amplitude}, 相位: {phase}") plt.xlabel("时间") plt.ylabel("幅度") plt.grid(True) return plt.gcf() demo = gr.Interface( fn=plot_sine_wave, inputs=[ gr.Slider(0.1, 5, value=1, label="频率"), gr.Slider(0.1, 5, value=1, label="振幅"), gr.Slider(0, 2 * np.pi, value=0, label="相位") ], outputs="plot", live=True # 实时更新 ) demo.launch()

4.2 使用 Blocks 创建自定义布局

Blocks 是 Gradio 的低级 API，提供更精细的控制 ：

import gradio as gr with gr.Blocks(title="自定义布局示例") as demo: gr.Markdown("# 自定义布局示例") with gr.Tab("选项卡1"): with gr.Row(): btn1 = gr.Button("点击我1") btn2 = gr.Button("点击我2") with gr.Tab("选项卡2"): text_input = gr.Textbox(label="输入文本") output = gr.Textbox(label="输出结果") def reverse_text(text): return text[::-1] text_input.change(reverse_text, inputs=text_input, outputs=output) with gr.Row(): gr.Markdown("这是一个行布局示例") gr.Image(value="https://gradio.app/logo.png", width=100) demo.launch()

4.3 事件处理与交互

Gradio 支持多种事件处理方式，实现复杂交互：

import gradio as gr import time def process_text(text, progress=gr.Progress()): """模拟耗时文本处理操作""" result = "" for i in range(len(text)): result += text[i] progress(i / len(text), f"处理字符 {i+1}/{len(text)}") time.sleep(0.05) return f"处理完成: {result}" with gr.Blocks() as demo: gr.Markdown("# 文本处理示例") with gr.Row(): text_input = gr.Textbox(label="输入文本") output = gr.Textbox(label="处理结果") with gr.Row(): process_btn = gr.Button("开始处理") progress_bar = gr.Progress() process_btn.click( process_text, inputs=[text_input, progress_bar], outputs=output ) demo.launch()

5. 常用组件

Gradio 提供了丰富的组件来创建各种交互式界面。以下是常见组件的用法：

5.1 输入组件

5.2 输出组件

5.3 布局组件

6. 机器学习模型部署教程

6.1 部署图像分类模型

import gradio as gr from tensorflow.keras.applications import ResNet50 from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions import numpy as np import os # 加载预训练模型 model = ResNet50(weights='imagenet') def classify_image(img): #图像分类函数 if img is None: return "" # 预处理图像 img = image.load_img(img, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) # 预测 preds = model.predict(x) results = decode_predictions(preds, top=3)[0] # 格式化结果 return [{"label": f"{result[1]}", "confidence": f"{result[2]:.2%}"} for result in results] # 创建Gradio界面 demo = gr.Interface( fn=classify_image, inputs=gr.Image(label="上传一张图像", type="filepath"), outputs=gr.Label(label="预测结果", num_top_classes=3), examples=[["images/stickercats.jpg"], ["images/plane.jpg"], ["images/car.jpg"]], title="图像分类器", description="上传一张图像，我会告诉你它是什么！" ) # 启动应用 if __name__ == "__main__": demo.launch()

6.2 部署文本分类模型

import gradio as gr from transformers import pipeline # 加载文本分类器 classifier = pipeline("text-classification", model="distilbert-base-uncased-finetuned-sst-2-english") def analyze_sentiment(text): # 情感分析函数 if not text: return "请输入文本" result = classifier(text) label = result[0]['label'] confidence = result[0]['score'] return f"情感: {label}，置信度: {confidence:.2f}" # 创建Gradio界面 inputs = gr.Textbox(lines=3, label="输入文本", placeholder="输入你要分析的文本...") outputs = gr.Textbox(label="分析结果") demo = gr.Interface( fn=analyze_sentiment, inputs=inputs, outputs=outputs, title="情感分析器", description="输入一段文本，我将分析其情感倾向", examples=[["这个产品非常棒！"], ["我讨厌这个服务。"], ["食物还可以，服务一般。"]] ) # 启动应用 if __name__ == "__main__": demo.launch()

6.3 部署对话模型

import gradio as gr from transformers import AutoTokenizer, AutoModelForCausalLM import torch # 加载对话模型 tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium") model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium") def chatbot(history, user_input): # 对话机器人函数 # 获取对话历史和用户输入 bot_input_ids = tokenizer.encode(user_input + tokenizer.eos_token, return_tensors='pt') # 与历史对话连接 if history: bot_input_ids = torch.cat([history, bot_input_ids], dim=-1) # 生成模型回复 chat_history = model.generate( bot_input_ids, max_length=1000, do_sample=True, top_p=0.95, temperature=0.7, pad_token_id=tokenizer.eos_token_id, ) # 解码回复 reply = tokenizer.decode(chat_history[:, bot_input_ids.shape[1]:][0], skip_special_tokens=True) # 返回更新后的历史和回复 return chat_history, reply # 创建Gradio界面 with gr.Blocks() as demo: gr.Markdown("# 聊天机器人") chatbot_history = gr.State([]) with gr.Row(): with gr.Column(scale=1): user_message = gr.Textbox(label="用户:", placeholder="输入你的消息...") gr.Button("发送", variant="primary").click( chatbot, inputs=[chatbot_history, user_message], outputs=[chatbot_history, bot_message] ) with gr.Column(scale=2): bot_message = gr.Textbox(label="机器人:", interactive=False) # 启动应用 if __name__ == "__main__": demo.launch()

7. 实际项目案例

7.1 OCR文本提取工具

import gradio as gr import easyocr from PIL import ImageDraw import numpy as np # 初始化 OCR reader reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) def perform_ocr(image, language): # 执行OCR并返回结果 # 执行OCR results = reader.readtext(image, detail=1, paragraph=True, batch_size=5) # 在图像上绘制结果 img = Image.fromarray(image) draw = ImageDraw.Draw(img) for result in results: bbox, text, confidence = result x1, y1 = bbox[0] x2, y2 = bbox[2] draw.rectangle([x1, y1, x2, y2], outline="red", width=2) # 提取文本 ocr_text = "" for result in results: ocr_text += result[1] + " " return img, ocr_text.strip() # 创建Gradio界面 with gr.Blocks() as demo: gr.Markdown("# OCR 文本提取工具") with gr.Row(): with gr.Column(scale=1): image_input = gr.Image(label="上传图像", type="numpy") language = gr.Radio(["中文", "英文"], label="语言选择", value="中文") perform_ocr_btn = gr.Button("执行OCR", variant="primary") with gr.Column(scale=1): output_image = gr.Image(label="OCR结果预览") output_text = gr.Textbox(label="提取的文本", lines=5) perform_ocr_btn.click( perform_ocr, inputs=[image_input, language], outputs=[output_image, output_text] ) gr.Examples( examples=[ ["images/text_image1.jpg", "中文"], ["images/text_image2.jpg", "英文"] ], inputs=[image_input, language] ) # 启动应用 if __name__ == "__main__": demo.launch()

7.2 数据分析与可视化工具

import gradio as gr import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 生成示例数据 def generate_sample_data(): data = { '日期': pd.date_range('2023-01-01', periods=100, freq='D'), '销售额': np.random.normal(100, 30, 100).cumsum(), '产品类别': np.random.choice(['电子产品', '服装', '食品', '家居'], 100), '地区': np.random.choice(['北京', '上海', '广州', '深圳'], 100) } return pd.DataFrame(data) def analyze_data(data, analysis_type, region=None): """数据分析函数，接收 DataFrame 和参数""" if analysis_type == "整体销售趋势": fig, ax = plt.subplots(figsize=(12, 6)) sns.lineplot(data=data, x='日期', y='销售额', ax=ax) ax.set_title("销售额时间趋势") ax.set_xlabel("日期") ax.set_ylabel("销售额") return fig elif analysis_type == "按地区分析" and region: filtered_data = data[data['地区'] == region] fig, ax = plt.subplots(figsize=(12, 6)) sns.lineplot(data=filtered_data, x='日期', y='销售额', ax=ax) ax.set_title(f"{region} 地区销售额趋势") ax.set_xlabel("日期") ax.set_ylabel("销售额") return fig elif analysis_type == "产品类别分析": fig, ax = plt.subplots(figsize=(12, 6)) category_sales = data.groupby('产品类别')['销售额'].sum() sns.barplot(x=category_sales.index, y=category_sales.values, ax=ax) ax.set_title("按产品类别销售额") ax.set_xlabel("产品类别") ax.set_ylabel("销售额") return fig else: return "请选择有效的分析类型" # 创建Gradio界面 with gr.Blocks() as demo: gr.Markdown("# 📊 数据分析与可视化工具") gr.Markdown("点击下方按钮，基于示例数据执行分析。") # 【核心修改】使用 gr.State 存储数据，避免直接传入 DataFrame data_state = gr.State(generate_sample_data()) # 可选：显示数据预览（增强用户体验） with gr.Row(): with gr.Column(scale=1): preview_df = gr.Dataframe( value=generate_sample_data().head(10), label="数据预览（前10行）", interactive=False, wrap=True ) analysis_type = gr.Radio( ["整体销售趋势", "按地区分析", "产品类别分析"], label="选择分析类型", value="整体销售趋势" ) region = gr.Radio( ["北京", "上海", "广州", "深圳"], label="选择地区", visible=False, interactive=True ) def update_region_visibility(analysis_type): return gr.update(visible=(analysis_type == "按地区分析")) analysis_type.change( fn=update_region_visibility, inputs=[analysis_type], outputs=[region] ) btn = gr.Button("🚀 执行分析", variant="primary") output = gr.Plot(label="分析结果") # 【修复】inputs 中传入 data_state（gr.State 组件） btn.click( fn=analyze_data, inputs=[data_state, analysis_type, region], outputs=output ) # 启动应用 if __name__ == "__main__": demo.launch()

8. 最佳实践与性能优化

8.1 界面设计原则

1. 简洁直观：保持界面简洁，用户操作直观
2. 响应及时：提供加载状态和进度指示
3. 错误处理：友好的错误提示和异常处理
4. 可访问性：支持键盘导航和屏幕阅读器

8.2 性能优化策略

1. 模型优化：

   • 使用量化技术减小模型大小、提高推理速度
   • 对深度学习模型，处理批量样本比处理单个样本更高效

2. 数据加载优化：

   • 使用高效的数据存储和读取方法
   • 如使用Pandas的高效文件读取函数

3. WebSockets与数据编码：

   • Gradio 5 改进了内部通信方式，使用WebSockets并通过编码发送数据，减少了延迟

4. 缓存机制：为频繁访问的数据或结果添加缓存

5. 资源监控：

   # 启动带资源监控的演示 demo.launch(server_name="0.0.0.0", server_port=7860, monitor_host=True, enable_queue=True)

   8.3 部署优化

   • 本地部署：

     • 使用demo.launch(share=True)生成可共享链接
     • 通过 Docker 部署，设置GRADIO_SERVER_NAME="0.0.0.0"环境变量

   • 云端部署：

     • 使用 Hugging Face Spaces、Heroku、AWS 等平台
     • 配置自动缩放和负载均衡

   • 共享注意事项：

     • 与他人分享 Gradio 应用时，会向用户暴露主机机器上的某些文件，需注意安全

9. Gradio 与其他工具对比

9.1 Gradio vs Streamlit

1. Gradio 优势：

   • 更适合快速部署和分享机器学习模型
   • 组件的封装程度高，尤其适合机器学习模型相关的应用
   • 支持断点调试

2. Streamlit 优势：

   • 更高的灵活性和美观度
   • 提供更广泛的定制选项
   • 更适合构建各种类型的数据科学和机器学习应用程序

9.2 选择建议

• Gradio 适合：快速创建机器学习模型演示、图像处理应用、对话系统
• Streamlit 适合：数据可视化、仪表盘开发、需要高度自定义的Web应用

10. 高级应用示例

10.1 自定义聊天机器人

import gradio as gr import openai import os # 设置OpenAI API密钥 openai.api_key = "your-api-key" def chatgpt_chat(history, message): #使用ChatGPT的聊天函数 if message is None or message == "": return history, "" # 准备对话历史 messages = [{"role": "system", "content": "你是一个 helpful AI 助手。"}] if history: messages.extend(history) # 添加用户消息 messages.append({"role": "user", "content": message}) # 调用ChatGPT API response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages ) # 获取AI回复 reply = response.choices[0].message.content # 更新对话历史 messages.append({"role": "assistant", "content": reply}) return messages, reply # 创建Gradio界面 with gr.Blocks() as demo: gr.Markdown("# ChatGPT 聊天机器人") chat_history = gr.State([]) with gr.Row(): chatbot = gr.Chatbot(label="对话") with gr.Row(): message = gr.Textbox(label="输入", placeholder="输入你的消息...") submit = gr.Button("发送", variant="primary") submit.click( chatgpt_chat, inputs=[chat_history, message], outputs=[chat_history, chatbot] ) message.submit( chatgpt_chat, inputs=[chat_history, message], outputs=[chat_history, chatbot] ) # 启动应用 if __name__ == "__main__": demo.launch()

10.2 图像生成应用

import gradio as gr import torch from diffusers import StableDiffusionPipeline from PIL import Image # 加载图像生成模型 model_id = "runwayml/stable-diffusion-v1-5" pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16) pipe = pipe.to("cuda") def generate_image(prompt, width=512, height=512, steps=50): #生成图像的函数 if not prompt: return "请输入提示词" # 生成图像 image = pipe(prompt, width=width, height=height, num_inference_steps=steps).images[0] return image # 创建Gradio界面 demo = gr.Interface( fn=generate_image, inputs=[ gr.Textbox(label="提示词", placeholder="输入图像生成提示词..."), gr.Slider(256, 1024, value=512, step=64, label="宽度"), gr.Slider(256, 1024, value=512, step=64, label="高度"), gr.Slider(10, 100, value=50, label="采样步数") ], outputs=gr.Image(label="生成的图像"), title="图像生成器", description="输入提示词和参数，生成对应的图像", examples=[["一个美丽的山水画", 512, 512, 50], ["未来科技城市", 768, 768, 70], ["中国风建筑", 640, 512, 60]] ) # 启动应用 if __name__ == "__main__": demo.launch()

11. 案例门户

11.1 Gradio案例门户

import gradio as gr import subprocess import webbrowser import sys import os import re import time import threading import queue # ---------- 配置 ---------- APP_SCRIPTS = { "chatModel": "gradio_simple_chatModel.py", "chatRobot": "gradio_simple_chatRobot.py", "dataAnalyze": "gradio_simple_dataAnalyzeViewTool.py", "generateImage": "gradio_simple_generateImage.py", "imageClassModel": "gradio_simple_imageClassModel.py", "ocrTextPerformTool": "gradio_simple_ocrTextPerformTool.py", "textClassModel": "gradio_simple_textClassModel.py", "normal": "gradio_simple_normal.py", } running_apps = {} STARTUP_TIMEOUT = 60 # ---------- 辅助函数 ---------- def extract_port_from_output(line: str): match = re.search(r"Running on local URL:\s+http://127\.0\.0\.1:(\d+)", line) return int(match.group(1)) if match else None def open_app(app_key: str): script_name = APP_SCRIPTS.get(app_key) if not script_name: return f"❌ 未知的应用标识：{app_key}" # ---------- 新增：如果已有运行实例，先终止它 ---------- if app_key in running_apps: proc, port = running_apps[app_key] if proc.poll() is None: # 进程仍在运行 print(f"🔄 终止旧进程 [{app_key}] (PID {proc.pid})") proc.terminate() # 优雅终止 try: proc.wait(timeout=3) # 等待最多3秒 except subprocess.TimeoutExpired: proc.kill() # 强制终止 proc.wait() del running_apps[app_key] # 移除记录 # ---------- 以下为原有的启动逻辑，完全不变 ---------- base_dir = os.path.dirname(os.path.abspath(__file__)) script_path = os.path.join(base_dir, script_name) if not os.path.isfile(script_path): return f"❌ 脚本文件不存在：{script_path}" python_exe = sys.executable cmd = [python_exe, script_path] env = os.environ.copy() env["PYTHONUNBUFFERED"] = "1" print(f"\n🚀 正在启动子应用 [{app_key}]") print(f" 命令: {' '.join(cmd)}") print(f" 工作目录: {base_dir}") try: proc = subprocess.Popen( cmd, stdout=subprocess.PIPE, stderr=subprocess.STDOUT, universal_newlines=True, bufsize=1, cwd=base_dir, env=env, ) print(f" 进程 PID: {proc.pid}") output_queue = queue.Queue() def reader(): try: for line in iter(proc.stdout.readline, ''): output_queue.put(line) finally: output_queue.put(None) thread = threading.Thread(target=reader, daemon=True) thread.start() port = None output_lines = [] start_time = time.time() while time.time() - start_time < STARTUP_TIMEOUT: try: line = output_queue.get(timeout=0.5) except queue.Empty: if proc.poll() is not None: while not output_queue.empty(): line = output_queue.get_nowait() if line is None: break output_lines.append(line) return ( f"❌ 进程在捕获端口前退出（退出码 {proc.returncode}）。\n" f"--- 子应用输出日志 ---\n{''.join(output_lines)}" ) continue if line is None: break output_lines.append(line) print(f"[{app_key}] {line.strip()}") extracted = extract_port_from_output(line) if extracted: port = extracted break if port is None: if proc.poll() is None: proc.terminate() return ( f"❌ 启动超时（{STARTUP_TIMEOUT}秒）或未捕获到服务端口。\n" f"请检查子应用是否正常启动，或适当增加 STARTUP_TIMEOUT 值。\n\n" f"--- 子应用输出日志 ---\n{''.join(output_lines)}" ) running_apps[app_key] = (proc, port) webbrowser.open_new(f"http://127.0.0.1:{port}") return f"✅ 应用启动成功（端口 {port}），已在新窗口打开" except Exception as e: return f"❌ 门户内部异常：{str(e)}" # ---------- 自定义 CSS ---------- custom_css = """ .gradio-container { max-width: 1200px !important; margin: 0 auto; } .app-card { background: var(--block-background-fill); border-radius: 16px; padding: 24px 20px 20px 20px; box-shadow: 0 4px 12px rgba(0, 0, 0, 0.08); transition: transform 0.25s ease, box-shadow 0.25s ease; text-align: center; height: 100%; border: 1px solid var(--border-color-primary); } .app-card:hover { transform: translateY(-6px); box-shadow: 0 12px 28px rgba(0, 0, 0, 0.12); } .app-card .title { font-size: 1.4rem; font-weight: 600; margin-bottom: 10px; } .app-card .desc { font-size: 1rem; color: var(--body-text-color-subdued); margin-bottom: 18px; line-height: 1.5; } .app-card .launch-btn { width: 100%; font-weight: 500; } """ # ---------- 构建界面 ---------- with gr.Blocks( theme=gr.themes.Soft(primary_hue="blue", secondary_hue="gray"), css=custom_css, title="Gradio 应用门户", ) as demo: gr.Markdown("# 🚀 Gradio 应用案例门户") gr.Markdown("点击下方卡片，即可在新窗口中启动并打开对应的 Gradio 应用。") # ---------- 第一行：前 4 个应用 ---------- with gr.Row(equal_height=True): # 1. 图像生成 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("🎨 **图像生成应用**", elem_classes=["title"]) gr.Markdown("利用深度学习模型生成逼真图像，支持文本到图像的转换。", elem_classes=["desc"]) btn_gen = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 2. 自定义聊天机器人 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("💬 **自定义聊天机器人**", elem_classes=["title"]) gr.Markdown("基于大语言模型的交互式对话助手，可定制性格与知识库。", elem_classes=["desc"]) btn_chat = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 3. 数据分析与可视化 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("📊 **数据分析与可视化工具**", elem_classes=["title"]) gr.Markdown("上传 CSV / Excel 文件，自动生成交互式图表和统计摘要。", elem_classes=["desc"]) btn_data = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 4. 聊天模型（新增） with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("🤖 **聊天模型应用**", elem_classes=["title"]) gr.Markdown("基于通用聊天模型，实现自然语言对话与问答。", elem_classes=["desc"]) btn_chat_model = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # ---------- 第二行：后 4 个应用 ---------- with gr.Row(equal_height=True): # 5. 图像分类模型 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("🖼️ **图像分类模型**", elem_classes=["title"]) gr.Markdown("对上传的图像进行自动分类，识别物体或场景。", elem_classes=["desc"]) btn_img_class = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 6. OCR 文本识别 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("📝 **OCR 文本识别工具**", elem_classes=["title"]) gr.Markdown("从图片中提取印刷或手写文字，支持多种语言。", elem_classes=["desc"]) btn_ocr = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 7. 文本分类模型 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("📄 **文本分类模型**", elem_classes=["title"]) gr.Markdown("对输入的文本进行情感分析、主题分类等任务。", elem_classes=["desc"]) btn_text_class = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # 8. 常规示例 with gr.Column(scale=1, min_width=200): with gr.Group(elem_classes=["app-card"]): gr.Markdown("🧩 **常规示例应用**", elem_classes=["title"]) gr.Markdown("提供基础的 Gradio 功能演示，适合快速上手测试。", elem_classes=["desc"]) btn_normal = gr.Button("🚀 启动应用", variant="primary", size="lg", elem_classes=["launch-btn"]) # ---------- 状态信息框 ---------- status_box = gr.Textbox( label="📌 状态信息", interactive=False, visible=True, value="等待操作…", ) # ---------- 绑定所有按钮 ---------- btn_gen.click(fn=open_app, inputs=gr.State("generateImage"), outputs=status_box) btn_chat.click(fn=open_app, inputs=gr.State("chatRobot"), outputs=status_box) btn_data.click(fn=open_app, inputs=gr.State("dataAnalyze"), outputs=status_box) btn_chat_model.click(fn=open_app, inputs=gr.State("chatModel"), outputs=status_box) btn_img_class.click(fn=open_app, inputs=gr.State("imageClassModel"), outputs=status_box) btn_ocr.click(fn=open_app, inputs=gr.State("ocrTextPerformTool"), outputs=status_box) btn_text_class.click(fn=open_app, inputs=gr.State("textClassModel"), outputs=status_box) btn_normal.click(fn=open_app, inputs=gr.State("normal"), outputs=status_box) # ---------- 启动门户 ---------- if __name__ == "__main__": demo.launch()

运行示例

总结

Gradio 是一个功能强大且易于使用的 Python 库，使开发者能够快速为机器学习模型和函数创建交互式网页界面。它特别适合于机器学习模型演示、快速原型开发和团队协作。

通过本教程，我们介绍了 Gradio 的基本概念、安装方法、界面创建、组件使用、机器学习模型部署以及性能优化等方面的内容。希望这些内容能帮助你快速掌握 Gradio 的使用，创建出功能丰富、交互性强的应用程序。

在实际项目中，建议你结合具体需求，参考 Gradio 官方文档 (https://www.gradio.app/docs) 获取更多组件和功能的详细信息，创建出更加专业和强大的应用。