Gradio机器学习模型快速部署工具接口状态源码分析

本文小编为大家详细介绍“Gradio机器学习模型快速部署工具接口状态源码分析”，内容详细，步骤清晰，细节处理妥当，希望这篇“Gradio机器学习模型快速部署工具接口状态源码分析”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

1.全局状态

例子来解释

import gradio as gr
scores = []
def track_score(score):
    scores.append(score)
    top_scores = sorted(scores, reverse=True)[:3]
    return top_scores
demo = gr.Interface(
    track_score, 
    gr.Number(label="Score"), 
    gr.JSON(label="Top Scores")
)
demo.launch()

如上所述，scores，就可以在某函数中访问。

• 多用户访问，每次访问的分数都保存到scores列表

• 并并返回前三的分数

2.会话状态

Gradio 支持的另一种数据持久化类型是会话状态，其中数据在页面会话中跨多个提交持久化。但是，数据_不会_在模型的不同用户之间共享。要在会话状态中存储数据，您需要做三件事：

• 将一个额外的参数传递到您的函数中，该参数表示界面的状态。

• 在函数结束时，返回状态的更新值作为额外的返回值。

• 创建时添加

  'state'

  输入和输出组件

  'state'``Interface

聊天机器人是一个您需要会话状态的示例 - 您想要访问用户以前提交的内容，但您不能将聊天历史存储在全局变量中，因为那样聊天历史会在不同用户之间混乱。

import gradio as gr
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium")
def user(message, history):
    return "", history + [[message, None]]
#     bot_message = random.choice(["Yes", "No"])
#     history[-1][1] = bot_message
#     time.sleep(1)
#     return history
# def predict(input, history=[]):
#     # tokenize the new input sentence
def bot(history):
    user_message = history[-1][0]
    new_user_input_ids = tokenizer.encode(user_message + tokenizer.eos_token, return_tensors='pt')
    # append the new user input tokens to the chat history
    bot_input_ids = torch.cat([torch.LongTensor(history), new_user_input_ids], dim=-1)
    # generate a response 
    history = model.generate(bot_input_ids, max_length=1000, pad_token_id=tokenizer.eos_token_id).tolist()
    # convert the tokens to text, and then split the responses into lines
    response = tokenizer.decode(history[0]).split("<|endoftext|>")
    response = [(response[i], response[i+1]) for i in range(0, len(response)-1, 2)]  # convert to tuples of list
    return history
with gr.Blocks() as demo:
    chatbot = gr.Chatbot()
    msg = gr.Textbox()
    clear = gr.Button("Clear")
    msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then(
        bot, chatbot, chatbot
    )
    clear.click(lambda: None, None, chatbot, queue=False)
demo.launch()

以上就是Gradio机器学习模型快速部署工具接口状态源码分析的详细内容，更多关于Gradio机器学习模型快速部署工具接口状态源码分析的资料请关注九品源码其它相关文章！