使用 Gradio 构建演示

在本音频分类的最后一部分，我们将构建一个 Gradio 演示，以展示我们刚刚在 GTZAN 数据集上训练的音乐分类模型。首先，使用 pipeline() 类加载微调的检查点 - 这在关于预训练模型的部分中已经非常熟悉了。您可以将 model_id 更改为 Hugging Face Hub 上您微调模型的命名空间

from transformers import pipeline

model_id = "sanchit-gandhi/distilhubert-finetuned-gtzan"
pipe = pipeline("audio-classification", model=model_id)

其次，我们将定义一个函数，该函数获取音频输入的文件路径并将其传递给管道。在这里，管道会自动处理加载音频文件、将其重新采样到正确的采样率以及使用模型运行推理。我们获取模型的预测 preds 并将其格式化为字典对象以在输出中显示

def classify_audio(filepath):
    preds = pipe(filepath)
    outputs = {}
    for p in preds:
        outputs[p["label"]] = p["score"]
    return outputs

最后，我们使用刚刚定义的函数启动 Gradio 演示

import gradio as gr

demo = gr.Interface(
    fn=classify_audio, inputs=gr.Audio(type="filepath"), outputs=gr.outputs.Label()
)
demo.launch(debug=True)

这将启动一个类似于 Hugging Face 空间上运行的 Gradio 演示

音频课程

使用 Gradio 构建演示