如何将你的AI算法迅速分享给别人，让对方体验，一直是一件麻烦事儿。
首先大部分人都是在本地跑代码，让别人使用你的模型，以往有这三种方案：
上github
将代码打包或者封装成docker后，用QQ/百度云/U盘传输
学习前后端知识，写个前端界面，买个域名，用flask这样微服务框架快速部署，看情况结合一下内网穿透。
这些方案的问题在于——前两者需要对方会编程会配置环境（还得愿意），我们的分享对象满足这个条件的寥寥无几；后者则需要你这个算法工程师升级成全栈，学习前后端开发，学习成本太高。
总结起来：场景不匹配，需求不契合，费时又费力！
那么有没有更好的解决方案呢？有！它就是我今天要给大家安利的一个python开源库：Gradio。
Gradio是MIT的开源项目，GitHub 2k+ star。
使用gradio，只需在原有的代码中增加几行，就能自动化生成交互式web页面，并支持多种输入输出格式，比如图像分类中的图>>标签，超分辨率中的图>>图等。
同时还支持生成能外部网络访问的链接，能够迅速让你的朋友，同事体验你的算法。
总结起来，它的优势有：
自动生成页面且可交互
改动几行代码就能完成
支持自定义多种输入输出
支持生成可外部访问的链接进行分享
目前已经有很多优秀的开源项目使用Gradio做demo页面。那么该怎么使用Gradio，让我们一起来玩玩～
Get start
0.安装Gradio
pip install gradio
1.写个简单的RGB转灰度
import gradio as gr
import cv2
def to_black(image):
output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
return output
interface = gr.Interface(fn=to_black, inputs="image", outputs="image")
interface.launch()
gradio的核心是它的gr.Interface函数，用来构建可视化界面。
fn：放你用来处理的函数
inputs：写你的输入类型，这里输入的是图像，所以是"image"
outputs：写你的输出类型，这里输出的是图像，所以是"image"
最后我们用interface.lauch()把页面一发布，一个本地静态交互页面就完成了！
在浏览器输入http://127.0.0.1:7860/,查收你的页面：
上传一张图片，点击「SUBMIT」，大功告成。
对于任何图像处理类的ML代码来说，只要定义好一个图像输入>>模型推理>>返回图片的函数（逻辑和RGB转灰度图本质上没区别），放到fn中，就完事了。
2.增加example
我们可以在页面下方添加供用户选择的测试样例。
在gr.Interface里的examples中放入图片路径，格式为[[路径1],[路径2],...]。
import gradio as gr
import cv2
def to_black(image):
output = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
return output
interface = gr.Interface(fn=to_black, inputs="image", outputs="image")
interface.launch()
增加example不仅能让你的UI界面更美观，逻辑更完善，也有一些其他意义：
- 比如做了一个图像去噪算法，但是用户手头并没有躁点照片，example能让他更快的体验到效果
当然example建议选择效果最好的图，原因和写论文选best case一样（大雾）。
3.创建一个外部访问链接
创建外部访问链接非常简单，只需要launch(share=True)即可，在打印信息中会看到你的外部访问链接。
免费用户的链接可以使用24小时，想要长期的话需要在gradio官方购买云服务。
4.升个级:图像分类pytorch+resnet18
import gradio as gr
import torch
from torchvision import transforms
import requests
from PIL import Image
model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True).eval()
# Download human-readable labels for ImageNet.
response = requests.get("https://git.io/JJkYN")
labels = response.text.split("\n")
def predict(inp):
inp = Image.fromarray(inp.astype('uint8'), 'RGB')
inp = transforms.ToTensor()(inp).unsqueeze(0)
with torch.no_grad():
prediction = torch.nn.functional.softmax(model(inp)[0], dim=0)
return {labels[i]: float(prediction[i]) for i in range(1000)}
inputs = gr.inputs.Image()
outputs = gr.outputs.Label(num_top_classes=3)
gr.Interface(fn=predict, inputs=inputs, outputs=outputs).launch()
图像分类任务是机器学习经典任务。上面我们在outputs中设置了gr.outputs.Label(num_top_classes=3)，这是Gradio中专为图像分类展示类标定制的函数.
修改inputs和outputs的组合，总能找到适合你的算法的那一个。
ps:不得不说imagenet的类标真细
总结
Gradio的最大的价值我认为是缩短了算法与应用的距离，人人都能迅速分享与体验项目成果，这不管在同事交流，项目汇报，甚至是同学吹牛（大雾），都性感多了。
同时，作为一个python库，不论是ML，还是数据分析，图像处理，甚至做一个视频转gif的小工具（自媒体老哥表示很有用），都能适用。
你还在发愁怎么做大作业PPT汇报吗？不如试试Gradio。
了解更多
Gradio官网：https://www.gradio.app/
Gradio官方文档：https://gradio.app/docs
使用Gradio的项目「Anime2Sketch」：https://www.gradio.app/hub/AK391/Anime2Sketch
