python脚本开发_会写Python脚本，就能开发机器学习工具

Streamlit是第一个专门针对机器学习和数据科学团队的应用开发框架&＃xff0c;它是开发自定义机器学习工具的最快的方法&＃xff0c;你可以认为它的目标是取代Flask在机器学习项目中的地位&＃xff0c;可以帮助机器学习工程师快速开发用户交互工具。

1、Hello world

Streamlit应用就是Python脚本&＃xff0c;没有隐含的状态&＃xff0c;你可以使用函数调用重构。只要你会写Python脚本&＃xff0c;你就会开发Streamlit应用。例如&＃xff0c;下面的代码在网页中输出 Hello,world!&＃xff1a;

import streamlit as st

st.write(&＃39;Hello, world!&＃39;)

结果如下&＃xff1a;

2、使用UI组件

Streamlit将组件视为变量&＃xff0c;在Streamlit中没有回调&＃xff0c;每一个交互都是 简单地返回&＃xff0c;从而确保代码干净&＃xff1a;

import streamlit as st

x &＃61; st.slider(&＃39;x&＃39;)

st.write(x, &＃39;squared is&＃39;, x * x)

结果如下&＃xff1a;

3、数据重用和计算

如果你要下载大量数据或者运行复杂的计算该怎么实现&＃xff1f;关键在于安全地重用数据。Streamlit引入了缓存原语可以让Steamlit应用 安全、轻松的重用信息。例如&＃xff0c;下面的代码只需要从Udacity的自动 驾驶车项目下载一次数据&＃xff0c;从而得到一个简单、快速的应用&＃xff1a;

import streamlit as st

import pandas as pd

Reuse this data across runs!

read_and_cache_csv &＃61; st.cache(pd.read_csv)

BUCKET &＃61; "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/"

data &＃61; read_and_cache_csv(BUCKET &＃43; "labels.csv.gz", nrows&＃61;1000)

desired_label &＃61; st.selectbox(&＃39;Filter to:&＃39;, [&＃39;car&＃39;, &＃39;truck&＃39;])

st.write(data[data.label &＃61;&＃61; desired_label])

结果如下&＃xff1a;

简而言之&＃xff0c;Streamlit的工作方式如下&＃xff1a;

对于用户的每一次交互&＃xff0c;整个脚本从头到尾执行一遍

Streamlit基于UI组件的状态给变量赋值

缓存让Streamlit可以避免重复请求数据或重复计算

或者参考下图&＃xff1a;

如果上面的内容还没有说清楚&＃xff0c;你可以直接上手尝试Streamlit&＃xff01;

$ pip install --upgrade streamlit

$ streamlit hello

You can now view your Streamlit app in your browser.

Local URL: http://localhost:8501

Network URL: http://10.0.1.29:8501

这会自动打开本地的web浏览器并访问Streamlit应用&＃xff1a;

4、实例&＃xff1a;自动驾驶数据集工具

下面的Streamlit应用让你可以在整个Udacity自动驾驶车辆照片数据集中进行语义化搜索&＃xff0c;可视化人工标注&＃xff0c;并且可以实时运行一个YOLO 目标检测器&＃xff1a;

整个应用只有300行Python代码&＃xff0c;绝大多数是机器学习代码。实际上 其中只有23个Streamlit调用。你可以尝试自己运行&＃xff1a;

$ pip install --upgrade streamlit opencv-python

$ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py

如果你想更多的了解Python&＃xff0c;点击以下视频跳转链接&＃xff1a;