Buckets:
بهاشتراکگذاری دموها با دیگران[[sharing-demos-with-others]]
<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/section4.ipynb"}, {label: "Aws Studio", value: "https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/master/course/en/chapter9/section4.ipynb"}, ]} />
حالا که یک نسخه آزمایشی ساختهاید، احتمالاً میخواهید آن را با دیگران به اشتراک بگذارید. نسخههای آزمایشی Gradio را میتوان به دو روش به اشتراک گذاشت: استفاده از لینک اشتراکگذاری موقت یا میزبانی دائمی در Spaces.
به زودی هر دوی این رویکردها را پوشش خواهیم داد. اما قبل از اینکه نسخه نمایشی خود را به اشتراک بگذارید، ممکن است بخواهید آن را اصلاح کنید.
بهبود دموهای گریدیو[[polishing-your-gradio-demo]]
برای افزودن محتوای اضافی به نسخه نمایشی خود، کلاس Interface از برخی پارامترهای اختیاری پشتیبانی می کند:
- title: می توانید یک عنوان به نسخه نمایشی خود بدهید که در بالای اجزای ورودی و خروجی ظاهر می شود.
description: میتوانید توضیحی (به صورت متنی، Markdown یا HTML) برای رابط کاربری ارائه دهید که در بالای اجزای ورودی و خروجی و زیر عنوان ظاهر میشود.article: همچنین می توانید یک مقاله گسترده (به صورت متنی، Markdown یا HTML) بنویسید که رابط کاربری را توضیح دهد. در صورت ارائه، در زیر اجزای ورودی و خروجی ظاهر می شود.theme: رنگ های پیش فرض را دوست ندارید؟ تم را طوری تنظیم کنید که از یکی ازdefault،huggingface،grass،peachاستفاده کند. همچنین می توانید پیشوندdark-را اضافه کنید، به عنوان مثال.dark-peachبرای تم تیره (یا فقطdarkبرای تم تیره پیش فرض).
examples: برای اینکه نسخه نمایشی شما استفاده از آن را بسیار آسانتر کند، میتوانید چند ورودی نمونه برای تابع ارائه دهید. این ورودیها در زیر اجزای رابط کاربری ظاهر میشوند و میتوانند برای پر کردن رابط کاربری استفاده شوند. این ورودیها باید به صورت یک لیست تو در تو ارائه شوند که در آن لیست بیرونی شامل نمونهها و هر لیست داخلی شامل یک ورودی مربوط به هر جزء ورودی است.live: اگر میخواهید نسخه نمایشی خود را "زنده" کنید، به این معنی که مدل شما هر بار که ورودی تغییر میکند، دوباره اجرا میشود، میتوانیدlive=Trueرا تنظیم کنید. استفاده از این با مدل های سریع منطقی است (مثالی را در پایان این بخش خواهیم دید) با استفاده از گزینه های بالا، ما به یک رابط کامل تر می رسیم. کد زیر را اجرا کنید تا بتوانید با ریک و مورتی چت کنید:
title = "Ask Rick a Question"
description = """
The bot was trained to answer questions based on Rick and Morty dialogues. Ask Rick anything!
<img src="https://huggingface.co/spaces/course-demos/Rick_and_Morty_QA/resolve/main/rick.png" width=200px>
"""
article = "Check out [the original Rick and Morty Bot](https://huggingface.co/spaces/kingabzpro/Rick_and_Morty_Bot) that this demo is based off of."
gr.Interface(
fn=predict,
inputs="textbox",
outputs="text",
title=title,
description=description,
article=article,
examples=[["What are you doing?"], ["Where should we time travel to?"]],
).launch()
با استفاده از گزینه های بالا، ما به یک رابط کامل تر می رسیم. رابط زیر را امتحان کنید:
بهاشتراکگذاری دمو با پیوندهای موقت[[sharing-your-demo-with-temporary-links]]
حالا که یک نسخه آزمایشی از مدل یادگیری ماشین خود داریم، بیایید یاد بگیریم که چگونه به راحتی یک لینک را در رابط کاربری خود به اشتراک بگذاریم.
با تنظیم share=True در روش launch()، رابط ها را می توان به راحتی به صورت عمومی به اشتراک گذاشت:
gr.Interface(classify_image, "image", "label").launch(share=True)
این یک پیوند عمومی و قابل اشتراکگذاری ایجاد میکند که میتوانید برای هر کسی ارسال کنید! وقتی این پیوند را ارسال می کنید، کاربر طرف مقابل می تواند مدل را در مرورگر خود تا 72 ساعت امتحان کند. از آنجایی که پردازش در دستگاه شما انجام می شود (تا زمانی که دستگاه شما روشن می ماند!)، لازم نیست نگران بسته بندی هر گونه وابستگی باشید. اگر با یک نوت بوک Google Colab کار می کنید، پیوند اشتراک گذاری همیشه به طور خودکار ایجاد می شود. معمولاً چیزی شبیه این به نظر می رسد: XXXX.gradio.app. اگرچه پیوند از طریق پیوند Gradio ارائه می شود، ما فقط یک پروکسی برای سرور محلی شما هستیم و هیچ داده ای را که از طریق رابط ها ارسال می شود ذخیره نمی کنیم.
با این حال، به خاطر داشته باشید که این پیوندها برای عموم قابل دسترسی هستند، به این معنی که هر کسی می تواند از مدل شما برای پیش بینی استفاده کند! بنابراین، مطمئن شوید که هیچ اطلاعات حساسی را از طریق عملکردهایی که می نویسید در معرض دید قرار ندهید، یا اجازه نمی دهید تغییرات مهمی در دستگاه شما رخ دهد. اگر share=False (پیشفرض) را تنظیم کنید، فقط یک پیوند محلی ایجاد میشود.
میزبانی دمو در فضاهای هاگینگفیس[[hosting-your-demo-on-hugging-face-spaces]]
پیوند اشتراکگذاری که میتوانید آن را به همکاران ارسال کنید جالب است، اما چگونه میتوانید بهطور دائم نسخه نمایشی خود را میزبانی کنید و آن را در «فضای» خودش در اینترنت قرار دهید؟
Hugging Face Spaces زیرساختی را برای میزبانی دائمی مدل Gradio شما در اینترنت، رایگان فراهم می کند! Spaces به شما امکان می دهد یک مخزن (عمومی یا خصوصی) ایجاد کرده و به آن فشار دهید،
جایی که Gradio شما
کد رابط کاربری در فایل app.py قرار میگیرد. برای شروع، آموزش گامبهگام را بخوانید یا ویدیوی نمونهی زیر را ببینید.
✏️ بیایید آن را اعمال کنیم![[lets-apply-it]]
با استفاده از چیزهایی که در بخشهای قبلی آموختیم، بیایید دمو تشخیص طرح را که در بخش اول این فصل دیدیم بسازیم. کمی رابط خود را سفارشی میکنیم و share=True را برای ساخت پیوند عمومی تنظیم میکنیم تا بتوانیم آن را با دیگران به اشتراک بگذاریم.
میتوانیم برچسبها را از class_names.txt بارگیری کنیم و مدل پایتورچ از قبل تعلیمدیدهشده را از pytorch_model.bin بارگذاری کنیم. این فایل ها را با دنبال کردن لینک و کلیک بر روی دانلود در گوشه سمت چپ بالای پیش نمایش فایل دانلود کنید. بیایید نگاهی به کد زیر بیندازیم تا ببینیم چگونه از این فایل ها برای بارگذاری مدل خود و ایجاد یک تابع predict() استفاده می کنیم:
from pathlib import Path
import torch
import gradio as gr
from torch import nn
LABELS = Path("class_names.txt").read_text().splitlines()
model = nn.Sequential(
nn.Conv2d(1, 32, 3, padding="same"),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 3, padding="same"),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(64, 128, 3, padding="same"),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(1152, 256),
nn.ReLU(),
nn.Linear(256, len(LABELS)),
)
state_dict = torch.load("pytorch_model.bin", map_location="cpu")
model.load_state_dict(state_dict, strict=False)
model.eval()
def predict(im):
x = torch.tensor(im, dtype=torch.float32).unsqueeze(0).unsqueeze(0) / 255.0
with torch.no_grad():
out = model(x)
probabilities = torch.nn.functional.softmax(out[0], dim=0)
values, indices = torch.topk(probabilities, 5)
return {LABELS[i]: v.item() for i, v in zip(indices, values)}
اکنون که یک تابع predict() داریم. مرحله بعدی تعریف و راه اندازی رابط گرادیو ما است:
interface = gr.Interface(
predict,
inputs="sketchpad",
outputs="label",
theme="huggingface",
title="Sketch Recognition",
description="Who wants to play Pictionary? Draw a common object like a shovel or a laptop, and the algorithm will guess in real time!",
article="<p style='text-align: center'>Sketch Recognition | Demo Model</p>",
live=True,
)
interface.launch(share=True)
به پارامتر live=True در Interface توجه کنید، به این معنی که نسخه ی نمایشی طرح
یک پیشبینی هر بار که کسی روی صفحه طراحی نقاشی میکشد (بدون دکمه ارسال!).
علاوه بر این، آرگومان share=True را نیز در روش launch() تنظیم می کنیم.
این یک لینک عمومی ایجاد میکند که میتوانید
برای هر کسی ارسال کنید! وقتی این لینک را ارسال میکنید، کاربر در طرف مقابل میتواند آن را امتحان کند
مدل تشخیص طرح. برای تکرار، میتوانید مدل را در هاگینگفِیس Spaces نیز میزبانی کنید،
به این ترتیب میتوانیم دموی بالا را جاسازی کنیم.
در ادامه، روشهای دیگری که Gradio را میتوان با اکوسیستم Hugging Face استفاده کرد، خواهیم دید!
Xet Storage Details
- Size:
- 11.9 kB
- Xet hash:
- 1181e35f6e0b522946d818d8e8f9a2cfd671c4617ccb222ece8d63d2abb35b7a
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.