如果你曾经建立过一个机器学习模型，你可能会想 "嗯，这很酷，但其他人怎么能看到它有多酷？"
模型部署是机器学习的一部分，但它并没有被谈论得那么多。
因此，在这篇文章中，我将向你介绍一个新的工具，它将帮助你为你的机器学习模型生成一个网络应用，然后你可以与其他开发者分享，这样他们就可以试用它了。
我将使用scikit-learn建立一个简单的神经网络模型，并使用Gradio为该模型创建一个GUI（这就是我说的那个很酷的新工具）。
让我们开始吧：
我们不能用创造问题的思维来解决我们的问题 - 阿尔伯特-爱因斯坦
什么是Gradio？
图片来源：Gradio
根据Gradio网站的介绍：
Gradio允许你围绕你的TensorFlow或PyTorch模型，甚至任意的Python函数快速创建可定制的UI组件。
嗯，这不是很有信息量，是吗？😅.
如果你曾经使用过像Tkinter这样的Python GUI库，那么Gradio就像那样。
Gradio是一个GUI库，允许你为你的机器学习模型创建可定制的GUI组件。
现在我们了解了Gradio是什么，让我们进入这个项目。
前提条件
要想成功完成本教程，你需要安装Python。
让我们开始构建
你可以在这里查看这个项目的GitHub仓库。现在我将带你一步一步地完成这个项目。
安装所需的软件包
让我们来安装所需的软件包：
pip install sklearn
pip install pandas
pip install numpy
pip install gradio
获取我们的数据
我们的数据将是.CSV格式的。你可以通过点击这里获得数据。
导入软件包
我们将像这样导入所需的软件包：
import numpy as np
import pandas as pd
import gradio as gr
接下来，我们要过滤警告，这样我们就不会看到它们：
import warnings
warnings.filterwarnings('ignore')
导入数据
接下来，我们要导入我们的数据：
data = pd.read_csv('diabetes.csv')
现在让我们用这个命令看看我们的数据集的小预览：
data.head()
让我们看看我们的数据集中的特征列：
print (data.columns)
获取我们的变量
接下来，我们得到我们的X和Y变量，所以输入这些命令：
x = data.drop(['Outcome'], axis=1)
y = data['Outcome']
分割数据
现在我们要用scikit-learn内置的train_test_split函数来分割我们的数据。
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x,y)
缩放我们的数据
接下来，我们将使用scikit-learn内置的StandardScaler对象来扩展我们的数据：
from sklearn.preprocessing import StandardScaler
#instantiate StandardScaler object
scaler = StandardScaler()
#scale data
x_train_scaled = scaler.fit_transform(x_train)
x_test_scaled = scaler.fit_transform(x_test)
在上面的代码中，我们使用scikit-learn提供的StandardScaler对象来扩展我们的数据。要了解更多关于缩放的信息以及我们为什么要这样做，请点击这里。
实例化和训练模型
在本节中，我们将创建和训练我们的模型。我们要使用的模型将是多层感知器分类器，这是一个内置于scikit-learn的神经网络：
#import model object
from sklearn.neural_network import MLPClassifier
model = MLPClassifier(max_iter=1000, alpha=1)
#train model on training data
model.fit(x_train_scaled, y_train)
#getting model performance on test data
print("accuracy:", model.score(x_test_scaled, y_test))
为Gradio创建函数
现在，有趣的部分来了。在这里，我们将创建一个函数，该函数将接收我们的模型所训练的数据集的特征，并将其作为一个数组传递给我们的模型进行预测。然后，我们将基于该函数建立我们的Gradio网络应用。
为了理解我们为什么要写一个函数，你必须首先理解Gradio是基于函数为我们的机器学习模型建立GUI组件。这个函数为Gradio提供了一种方法，可以从用户那里获得输入，并将其传递给ML模型，然后ML模型会对其进行处理，然后将其传回给Gradio，Gradio再将结果传递出去。
让我们来写一些代码...
首先，我们将获得特征列，然后传递给我们的函数：
#geting our columns
print(data.columns)
现在，我们将像这样创建我们的函数：
def diabetes(Pregnancies, Glucose, Blood_Pressure, SkinThickness, Insulin, BMI, Diabetes_Pedigree, Age):
#turning the arguments into a numpy array
x = np.array([Pregnancies,Glucose,Blood_Pressure,SkinThickness,Insulin,BMI,Diabetes_Pedigree,Age])
prediction = model.predict(x.reshape(1, -1))
return prediction
在上面的代码中，我们将数据中的特征列作为参数传入一个名为diabetes的函数。然后我们把参数变成一个NumPy数组，再传给我们的模型进行预测。最后，我们返回我们模型的预测结果。
创建我们的Gradio界面
现在我们要用Gradio来创建我们的Web App界面：
outputs = gr.outputs.Textbox()
app = gr.Interface(fn=diabetes, inputs=['number','number','number','number','number','number','number','number'], outputs=outputs,description="This is a diabetes model")
我们在上面做的第一件事是创建一个名为output的变量，用来保存我们模型结果的GUI组件。我们模型的预测结果将被输出到一个文本框中。
然后，我们实例化了Gradio接口对象，并传入我们先前的糖尿病函数。然后，我们生成了我们的Inputs GUI组件，并告诉收音机期待8个数字形式的输入。
这些输入代表了我们数据集中的特征列--与我们传入糖尿病函数的8个特征列名称相同。
然后，我们将先前的输出变量传入对象中的输出参数。
最后，我们将我们的网络应用的描述传入描述参数。
启动Gradio网络应用程序
现在我们要启动我们的Gradio网络应用：
app.launch()
注意:如果你把Gradio应用程序作为脚本从该命令行启动，你将得到一个本地主机链接，然后你将其复制并粘贴到你的浏览器中，以查看你的Web应用程序。
如果你从Jupyter笔记本上启动该应用，你将在运行单元格时看到该应用的实时预览（也会为你提供一个链接）。
如果你想分享你的网络应用，你所要做的就是在你的启动对象中输入share=True 作为参数:
#To provide a shareable link
app.launch(share=True)
然后你会得到一个扩展名为.gradio的链接。但这个可共享的链接只持续24小时，而且只在你的系统运行时才会持续。因为Gradio只是在你的系统上托管了网络应用。
简单地说，要使你的链接发挥作用，你的系统必须是开着的。这是因为Gradio使用你的系统来托管网络应用程序，所以一旦你的系统关闭，服务器连接就会被切断，你就会得到一个500😅。
幸运的是，Gradio还提供了一种方法，让你永久性地托管你的模型。但该服务是基于订阅的，所以你必须每月支付7美元才能访问它。永久托管超出了本文的范围（部分原因是作者已经破产了😅）。但如果你对它感兴趣，请点击这里。
重要资源
摘要
Gradio库真的很酷，它有助于解决困扰机器学习社区的一个巨大问题--模型部署。
90%的机器学习模型都没有被部署，而Gradio正在努力解决这个问题。
它也是初学者和专家展示他们的模型的一种方式，也可以在现实生活中测试模型。
使用Gradio库不会出错。试一试吧。
