Buckets:
| # ساختن اولین دمو[[building-your-first-demo]] | |
| <CourseFloatingBanner chapter={9} | |
| classNames="absolute z-10 right-0 top-0" | |
| notebooks={[ | |
| {label: "Google Colab", value: "https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/en/chapter9/section2.ipynb"}, | |
| {label: "Aws Studio", value: "https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/master/course/en/chapter9/section2.ipynb"}, | |
| ]} /> | |
| بیایید با نصب Gradio شروع کنیم! از آنجایی که این یک بسته پایتون است، کافیست دستور زیر را اجرا کنید: | |
| `$ pip install gradio ` | |
| میتوانید Gradio را در هر جایی اجرا کنید، چه از Python IDE مورد علاقهتان، تا نوتبوکهای Jupyter یا حتی در Google Colab 🤯! | |
| بنابراین Gradio را هر کجا پایتون اجرا می کنید نصب کنید! | |
| بیایید با یک مثال ساده «Hello World» برای آشنایی با نحو Gradio شروع کنیم: | |
| ```py | |
| import gradio as gr | |
| def greet(name): | |
| return "Hello " + name | |
| demo = gr.Interface(fn=greet, inputs="text", outputs="text") | |
| demo.launch() | |
| ``` | |
| بیایید کد بالا را مرور کنیم: | |
| - ابتدا تابعی به نام `greet()` تعریف می کنیم. در این مورد، یک تابع ساده است که قبل از نام شما "Hello" را اضافه می کند، اما به طور کلی می تواند *هر* تابع پایتون باشد. برای مثال، در برنامههای یادگیری ماشین، این تابع *یک مدل را برای پیشبینی* روی یک ورودی فراخوانی میکند و خروجی را برمیگرداند. | |
| - سپس یک Gradio `Interface` با سه آرگومان `fn`، `inputs` و `outputs` ایجاد میکنیم. این آرگومانها تابع پیشبینی و _نوع_ مؤلفههای ورودی و خروجی مورد نظرمان را مشخص میکنند. در مثال ما، هر دو مؤلفه جعبهمتن ساده هستند. | |
| - سپس متد `launch()` را در `Interface` که ایجاد کردیم فراخوانی می کنیم. | |
| اگر این کد را اجرا کنید، رابط زیر بهطور خودکار در نوتبوک Jupyter/Colab ظاهر میشود؛ یا اگر آن را از یک اسکریپت اجرا کنید، در مرورگر و در **[http://localhost:7860](http://localhost:7860/)** نمایش داده میشود. | |
| سعی کنید همین حالا از این رابط کاربری گرافیکی با نام خودتان یا هر ورودی دیگر استفاده کنید! | |
| متوجه خواهید شد که در این رابط کاربری گرافیکی، Gradio به طور خودکار نام پارامتر ورودی (`name`) را استنباط می کند. | |
| و آن را به عنوان یک برچسب در بالای جعبه متن اعمال کنید. اگر بخواهید آن را تغییر دهید چه؟ | |
| یا اگر می خواهید جعبه متن را به روش دیگری سفارشی کنید؟ در آن صورت شما می توانید | |
| نمونه سازی یک شی کلاس که مؤلفه ورودی را نشان می دهد. | |
| به مثال زیر توجه کنید: | |
| ```py | |
| import gradio as gr | |
| def greet(name): | |
| return "Hello " + name | |
| # We instantiate the Textbox class | |
| textbox = gr.Textbox(label="Type your name here:", placeholder="John Doe", lines=2) | |
| gr.Interface(fn=greet, inputs=textbox, outputs="text").launch() | |
| ``` | |
| در اینجا، ما یک جعبه متن ورودی با یک برچسب، یک مکان نگه دارنده، و تعداد مجموعهای از خطوط ایجاد کردهایم. | |
| شما می توانید همین کار را برای جعبه متن خروجی انجام دهید، اما فعلا آن را رها می کنیم. | |
| دیدیم که تنها با چند خط کد، Gradio اجازه میدهد پیرامون هر تابعی با هر نوع ورودی یا خروجی یک رابط ساده بسازید. | |
| در این بخش با یک جعبهمتن ساده شروع کردیم، اما در بخشهای بعدی انواع دیگری از ورودیها و خروجیها را پوشش میدهیم. حالا بیایید افزودن NLP به یک برنامهی Gradio را بررسی کنیم. | |
| ## 🤖 گنجاندن پیشبینیهای مدل[[including-model-predictions]] | |
| حالا بیایید یک رابط کاربری ساده بسازیم که به شما امکان میدهد یک مدل **تولید متن** مانند GPT-2 را به صورت آزمایشی اجرا کنید. | |
| مدل خود را با استفاده از تابع `pipeline()` در 🤗 ترنسفورمرها بارگذاری میکنیم. | |
| اگر به یادآوری سریع نیاز دارید، میتوانید به [آن بخش از فصل ۱](/course/chapter1/3#text-generation) برگردید. | |
| ابتدا یک تابع پیشبینی تعریف میکنیم که یک اعلان متنی را میگیرد و تکمیل متن را برمیگرداند: | |
| ```py | |
| from transformers import pipeline | |
| model = pipeline("text-generation") | |
| def predict(prompt): | |
| completion = model(prompt)[0]["generated_text"] | |
| return completion | |
| ``` | |
| این تابع اعلانهایی را که شما ارائه میدهید تکمیل میکند و میتوانید آن را با اعلانهای ورودی خودتان اجرا کنید تا ببینید چگونه کار میکند. در اینجا یک مثال است (شما ممکن است یک تکمیل متفاوت دریافت کنید): | |
| ``` | |
| predict("My favorite programming language is") | |
| ``` | |
| ``` | |
| >> My favorite programming language is Haskell. I really enjoyed the Haskell language, but it doesn't have all the features that can be applied to any other language. For example, all it does is compile to a byte array. | |
| ``` | |
| اکنون که تابعی برای تولید پیشبینی داریم، میتوانیم یک `Interface` را به همان روشی که قبلا انجام دادیم ایجاد و راهاندازی کنیم: | |
| ```py | |
| import gradio as gr | |
| gr.Interface(fn=predict, inputs="text", outputs="text").launch() | |
| ``` | |
| همین! اکنون می توانید از این رابط برای تولید متن با استفاده از مدل GPT-2 همانطور که در زیر نشان داده شده است استفاده کنید. | |
| به خواندن ادامه دهید تا ببینید چگونه می توان انواع دیگر دموها را با Gradio ساخت! | |
Xet Storage Details
- Size:
- 6.77 kB
- Xet hash:
- 0a0e5c54a45ebca1fc7d6e1b05a1effe6346b3ab02b6c7d27b4e40f50232dd18
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.