与他人共享演示
现在您已经构建了一个演示，您可能希望与他人共享。Gradio 演示可以通过两种方式共享：使用**临时共享链接**或**在 Spaces 上永久托管**。
我们将很快介绍这两种方法。但在共享演示之前，您可能需要对其进行润色💅。
润色您的 Gradio 演示：
要向您的演示添加更多内容，Interface 类支持一些可选参数
title: 您可以为您的演示提供标题，它显示在输入和输出组件上方。description: 您可以为界面提供说明（以文本、Markdown 或 HTML 格式），它显示在输入和输出组件上方，标题下方。article: 您还可以编写扩展文章（以文本、Markdown 或 HTML 格式）来解释界面。如果提供，它将显示在输入和输出组件下方。theme: 不喜欢默认颜色？将主题设置为使用以下主题之一：default、huggingface、grass、peach。您还可以添加dark-前缀，例如dark-peach表示深色主题（或仅使用dark表示默认深色主题）。examples: 要使您的演示更易于使用，您可以为函数提供一些示例输入。这些示例显示在 UI 组件下方，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: 如果您想使您的演示“实时”，意味着您的模型会在每次输入更改时重新运行，您可以设置live=True。这在使用快速模型时很有用（我们将在本节末尾看到一个示例）。使用以上选项，我们最终得到了一个更完整的界面。运行下面的代码，以便您可以与 Rick 和 Morty 聊天
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()使用以上选项，我们最终得到了一个更完整的界面。尝试下面的界面
使用临时链接共享您的演示
现在我们已经拥有了机器学习模型的工作演示，让我们学习如何轻松地共享指向界面的链接。可以通过在 launch() 方法中设置 share=True 来轻松地公开共享界面。
gr.Interface(classify_image, "image", "label").launch(share=True)这将生成一个公共可共享的链接，您可以将其发送给任何人！当您发送此链接时，另一端的用户可以在其浏览器中尝试该模型，最多 72 小时。由于处理发生在您的设备上（只要您的设备保持开启！），您不必担心打包任何依赖项。如果您是在 Google Colab 笔记本中工作，则始终会自动创建共享链接。它通常看起来像这样：XXXXX.gradio.app。虽然链接是通过 Gradio 链接提供服务的，但我们只是您本地服务器的代理，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您的模型进行预测！因此，请确保不要通过您编写的函数公开任何敏感信息，或允许对您的设备进行任何关键更改。如果您设置 share=False（默认值），则只会创建本地链接。
在 Hugging Face Spaces 上托管您的演示
您可以传递给同事的共享链接很酷，但如何才能永久托管您的演示并在互联网上拥有它自己的“空间”？
Hugging Face Spaces 提供了在互联网上永久托管您的 Gradio 模型的**免费**基础设施！Spaces 允许您创建并推送到（公共或私有）存储库，您的 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！
使用我们到目前为止在各节中所学到的知识，让我们创建本章 第一节 中看到的草图识别演示。让我们向界面添加一些自定义内容，并设置 share=True 以创建一个我们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。通过点击链接并点击文件预览左上角的下载按钮，可以下载这些文件。让我们看一下下面的代码，看看如何使用这些文件加载模型并创建一个 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)请注意 Interface 中的 live=True 参数，这意味着每次有人在绘图板上绘制时，草图演示都会进行预测（没有提交按钮！）。
此外，我们在 launch() 方法中设置了 share=True 参数。这将创建一个公共链接，您可以将其发送给任何人！当您发送此链接时，对方用户可以试用草图识别模型。重申一下，您也可以将模型托管在 Hugging Face Spaces 上，这就是我们能够将上面的演示嵌入其中的方式。
接下来，我们将介绍 Gradio 可以与 Hugging Face 生态系统结合使用的其他方法！