与他人分享演示

现在你已经构建了一个演示，你可能想要与他人分享它。Gradio 演示可以通过两种方式分享：使用**临时分享链接**或**在空间上永久托管**。

我们将在短时间内介绍这两种方法。但在分享你的演示之前，你可能想要对它进行润色💅。

润色你的 Gradio 演示：

要向你的演示添加更多内容，Interface 类支持一些可选参数

title：你可以给你的演示一个标题，它会出现在输入和输出组件上方。
description：你可以为界面提供一个描述（文本、Markdown 或 HTML），它会出现在输入和输出组件上方以及标题下方。
article：你还可以编写一篇扩展文章（文本、Markdown 或 HTML）来解释界面。如果提供，它会出现在输入和输出组件下方。
theme：不喜欢默认颜色？将主题设置为使用 default、huggingface、grass、peach 之一。你还可以添加 dark- 前缀，例如 dark-peach 用于深色主题（或仅 dark 用于默认深色主题）。
examples：为了让你的演示更容易使用，你可以为函数提供一些示例输入。这些示例会出现在 UI 组件下方，并可用于填充界面。这些示例应作为嵌套列表提供，其中外层列表包含样本，每个内层列表包含对应于每个输入组件的输入。
live：如果你想让你的演示“实时”，意味着你的模型会在每次输入更改时重新运行，你可以设置 live=True。这适用于快速模型（我们将在本节末尾看到一个示例）使用上面的选项，我们会得到一个更完整的界面。运行下面的代码，这样你就可以与瑞克和莫蒂聊天了

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()

使用上面的选项，我们会得到一个更完整的界面。尝试下面的界面

使用临时链接分享你的演示

现在我们已经有了机器学习模型的工作演示，让我们学习如何轻松地分享一个指向我们界面的链接。可以通过在 launch() 方法中设置 share=True 来轻松地公开分享界面

gr.Interface(classify_image, "image", "label").launch(share=True)

这将生成一个公共可分享的链接，你可以发送给任何人！当你发送此链接时，另一端的用户可以在他们的浏览器中尝试使用该模型，最长可达 72 小时。因为处理是在你的设备上进行的（只要你的设备保持开启！），所以你无需担心打包任何依赖项。如果你使用的是 Google Colab 笔记本，那么始终会自动创建分享链接。通常它看起来像这样：XXXXX.gradio.app。虽然链接通过 Gradio 链接提供，但我们只是你本地服务器的代理，不会存储通过界面发送的任何数据。

但是请记住，这些链接是公开可访问的，这意味着任何人都可以使用你的模型进行预测！因此，请确保不要通过你编写的函数暴露任何敏感信息，或者允许对你的设备进行任何关键更改。如果你设置 share=False（默认值），则只创建本地链接。

在 Hugging Face 空间上托管你的演示

你可以传递给同事的分享链接很酷，但如何才能永久托管你的演示并让它在互联网上拥有自己的“空间”？

Hugging Face 空间提供基础设施，可以免费永久托管你的 Gradio 模型在互联网上！空间允许你创建并推送到（公共或私有）存储库，你的 Gradio 界面代码将存在于 app.py 文件中。阅读分步教程以开始使用，或观看下面的示例视频。

✏️ 让我们应用它！

使用我们在前面章节中学习到的知识，让我们创建我们在本章第一节中看到的草图识别演示。让我们对我们的界面进行一些自定义，并将 share=True 设置为创建一个可以传递的公共链接。

我们可以从class_names.txt加载标签，并从pytorch_model.bin加载预训练的 PyTorch 模型。通过以下链接下载这些文件，并在文件预览的左上角点击下载。让我们看一下下面的代码，看看我们如何使用这些文件加载我们的模型并创建一个 predict() 函数

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)}

现在我们有了 predict() 函数。下一步是定义和启动我们的 Gradio 界面

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)

注意 Interface 中的 live=True 参数，这意味着草图演示会在每次有人在草图板上绘制时进行预测（没有提交按钮！）。

此外，我们还在 `launch()` 方法中设置了 `share=True` 参数。这将创建一个你可以发送给任何人的公开链接！当你发送此链接时，对方用户可以尝试使用草图识别模型。重申一下，你也可以将模型托管在 Hugging Face Spaces 上，这就是我们能够在上面嵌入演示的方式。

接下来，我们将介绍 Gradio 在 Hugging Face 生态系统中的其他使用方法！

NLP 课程

与他人分享演示

润色你的 Gradio 演示：

使用临时链接分享你的演示

在 Hugging Face 空间上托管你的演示

✏️ 让我们应用它！