Gradio 接口的四种类型

到目前为止，我们一直假设为了构建一个Gradio演示，你需要输入和输出。但这并不总是适用于机器学习演示：例如，无条件图像生成模型不需要任何输入，但会生成一张图像作为输出。

事实证明，gradio.Interface 类实际上可以处理4种不同的演示：

标准演示：具有独立的输入和输出（例如图像分类器或语音转文本模型）
仅输出演示：这些演示不接受任何输入，但会产生输出（例如，无条件图像生成模型）
仅输入演示：这些演示不会产生任何输出，但会接受某种输入（例如，一个将您上传的图像保存到持久外部数据库的演示）
统一演示：包含输入和输出组件，但输入和输出组件是相同的。这意味着生成的输出会覆盖输入（例如，文本自动完成模型）

根据演示的类型，用户界面（UI）看起来略有不同：

让我们看看如何使用Interface类构建每种演示，以及示例：

标准演示

要创建一个同时包含输入和输出组件的演示，您只需设置Interface()中的inputs和outputs参数的值。以下是一个简单图像过滤器的示例演示：

import numpy as np
import gradio as gr

def sepia(input_img):
    sepia_filter = np.array([
        [0.393, 0.769, 0.189],
        [0.349, 0.686, 0.168],
        [0.272, 0.534, 0.131]
    ])
    sepia_img = input_img.dot(sepia_filter.T)
    sepia_img /= sepia_img.max()
    return sepia_img

demo = gr.Interface(sepia, gr.Image(), "image")
demo.launch()

仅输出演示

那些只包含输出的演示呢？为了构建这样的演示，你只需将Interface()中的inputs参数值设置为None。以下是一个模拟图像生成模型的示例演示：

import time

import gradio as gr

def fake_gan():
    time.sleep(1)
    images = [
            "https://images.unsplash.com/photo-1507003211169-0a1dd7228f2d?ixlib=rb-1.2.1&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=387&q=80",
            "https://images.unsplash.com/photo-1554151228-14d9def656e4?ixlib=rb-1.2.1&ixid=MnwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHx8&auto=format&fit=crop&w=386&q=80",
            "https://images.unsplash.com/photo-1542909168-82c3e7fdca5c?ixlib=rb-1.2.1&ixid=MnwxMjA3fDB8MHxzZWFyY2h8MXx8aHVtYW4lMjBmYWNlfGVufDB8fDB8fA%3D%3D&w=1000&q=80",
    ]
    return images

demo = gr.Interface(
    fn=fake_gan,
    inputs=None,
    outputs=gr.Gallery(label="Generated Images", columns=[2]),
    title="FD-GAN",
    description="This is a fake demo of a GAN. In reality, the images are randomly chosen from Unsplash.",
)

demo.launch()

仅输入演示

同样地，要创建一个仅包含输入的演示，将Interface()中的outputs参数值设置为None。以下是一个将任何上传的图像保存到磁盘的示例演示：

import random
import string
import gradio as gr

def save_image_random_name(image):
    random_string = ''.join(random.choices(string.ascii_letters, k=20)) + '.png'
    image.save(random_string)
    print(f"Saved image to {random_string}!")

demo = gr.Interface(
    fn=save_image_random_name,
    inputs=gr.Image(type="pil"),
    outputs=None,
)
demo.launch()

统一演示

一个演示，其中单个组件既是输入也是输出。只需将inputs和outputs参数的值设置为相同的组件即可创建。以下是一个文本生成模型的示例演示：

import gradio as gr
from transformers import pipeline

generator = pipeline('text-generation', model = 'gpt2')

def generate_text(text_prompt):
  response = generator(text_prompt, max_length = 30, num_return_sequences=5)
  return response[0]['generated_text']  

textbox = gr.Textbox()

demo = gr.Interface(generate_text, textbox, textbox)

demo.launch()

可能这4种情况都无法完全满足您的需求。在这种情况下，您需要使用gr.Blocks()方法！